示例 2 模型
混洗数据
在训练之前始终混洗数据。
当训练模型时，数据被分成小的集合（批次）。然后将每个批次馈送到模型。混洗很重要，以防止模型反复获取相同的数据。如果使用相同的数据两次，模型将无法泛化数据并给出正确的输出。混洗在每个批次中提供更好的数据多样性。
示例
tf.util.shuffle(data);
TensorFlow 张量
要使用 TensorFlow，需要将输入数据转换为张量数据
// 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 2d 张量
const inputTensor = tf.tensor2d(inputs, [inputs.length, 1]);
const labelTensor = tf.tensor2d(labels, [labels.length, 1]);
数据标准化
数据在用于神经网络之前应该进行标准化。
对于数值数据，使用 min-max 的 0 - 1 范围通常是最好的
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
机器学习模型是一种从输入生成输出的算法。
此示例使用 3 行定义ML 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 ML 模型
const model = tf.sequential(); 创建一个顺序 ML 模型。
在顺序模型中，输入直接流向输出。其他模型可以具有多个输入和多个输出。顺序是最简单的 ML 模型。它允许您逐层构建模型，权重对应于下一层。
TensorFlow 层
model.add() 用于向模型添加两层。
tf.layer.dense 是一种在大多数情况下都能正常工作的层类型。它将输入乘以权重矩阵，并将数字（偏差）添加到结果中。
形状和单元
inputShape: [1] 因为我们有 1 个输入（x = 房屋）。
units: 1 定义权重矩阵的大小：每个输入（x 值）有 1 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。它易于使用且非常有效。
meanSquaredError 是我们想要用来比较模型预测和真实值的函数。
