示例 2 模型
打乱数据
在训练前始终打乱数据。
模型训练时，数据被分成小集合（批次）。每个批次都会被送入模型。打乱数据很重要，可以防止模型重复获取相同的数据。如果两次使用相同的数据，模型将无法泛化数据并给出正确输出。打乱数据可以使每个批次的数据具有更好的多样性。
示例
tf.util.shuffle(data);
TensorFlow 张量
要使用 TensorFlow，输入数据需要转换为张量数据。
// 将 x 值映射到张量输入
const inputs = values.map(obj => obj.x);
// 将 y 值映射到张量标签
const labels = values.map(obj => obj.y);
// 将输入和标签转换为二维张量
const inputTensor = tf.tensor2d(inputs, [inputs.length, 1]);
const labelTensor = tf.tensor2d(labels, [labels.length, 1]);
数据归一化
数据在神经网络中使用前应进行归一化。
使用 min-max 将范围设为 0 - 1 通常最适合数值数据。
const inputMin = inputTensor.min();
const inputMax = inputTensor.max();
const labelMin = labelTensor.min();
const labelMax = labelTensor.max();
const nmInputs = inputTensor.sub(inputMin).div(inputMax.sub(inputMin));
const nmLabels = labelTensor.sub(labelMin).div(labelMax.sub(labelMin));
Tensorflow 模型
一个机器学习模型是一种从输入生成输出的算法。
本例使用 3 行代码定义一个机器学习模型
const model = tf.sequential();
model.add(tf.layers.dense({inputShape: [1], units: 1, useBias: true}));
model.add(tf.layers.dense({units: 1, useBias: true}));
顺序机器学习模型
const model = tf.sequential(); 创建一个顺序机器学习模型。
在顺序模型中，输入直接流向输出。其他模型可以有多个输入和多个输出。顺序模型是最简单的机器学习模型。它允许您逐层构建模型，其权重与下一层对应。
TensorFlow 层
model.add() 用于向模型添加两个层。
tf.layer.dense 是一种在大多数情况下都适用的层类型。它将输入乘以权重矩阵，然后将一个数字（偏置）添加到结果中。
形状和单元
inputShape: [1] 是因为我们有 1 个输入（x = 房间）。
units: 1 定义权重矩阵的大小：每个输入（x 值）对应一个权重。
编译模型
使用指定的优化器和损失函数编译模型。
model.compile({loss: 'meanSquaredError', optimizer:'sgd'});
编译器设置为使用 sgd 优化器。它易于使用且相当有效。
meanSquaredError 是我们希望用于比较模型预测和真实值的函数。
