菜单
×
   ❮     
HTML CSS JAVASCRIPT SQL PYTHON JAVA PHP HOW TO W3.CSS C C++ C# BOOTSTRAP REACT MYSQL JQUERY EXCEL XML DJANGO NUMPY PANDAS NODEJS R TYPESCRIPT ANGULAR GIT POSTGRESQL MONGODB ASP AI GO KOTLIN SASS VUE DSA GEN AI SCIPY AWS CYBERSECURITY DATA SCIENCE
     ❯   

示例 1 模型


打乱数据

在训练之前务必打乱数据。

当一个模型被训练时,数据被分成小份(批次)。每批数据都会被输入到模型中。打乱数据对于防止模型重复接触相同的数据非常重要。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的输出。打乱数据可以提供更好的批次内数据多样性。

示例

tf.util.shuffle(data);

TensorFlow 张量

要使用 TensorFlow,输入数据需要被转换为张量数据

// 将 x 值映射到 Tensor 输入
const inputs = values.map(obj => obj.x);
// 将 y 值映射到 Tensor 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

在神经网络中使用数据之前,应该对其进行归一化。

对于数值数据,0-1 的范围通常使用最小-最大归一化效果最好

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

机器学习模型是一个产生输出的算法,它以输入为基础。

此示例使用 3 行代码定义了一个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。其他模型可以有多个输入和多个输出。顺序模型是最简单的 ML 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。它将输入乘以一个权重矩阵,并向结果添加一个数字(偏差)。

形状和单元

inputShape: [1] 因为我们有 1 个输入(x = horsepower)。

units: 1 定义了权重矩阵的大小:每个输入(x 值)对应 1 个权重。


编译模型

使用指定的优化器损失函数来编译模型

model.compile({loss: 'meanSquaredError', optimizer:'sgd'});

编译器被设置为使用 sgd 优化器。它易于使用且相当有效。

meanSquaredError 是我们想要用来比较模型预测值和真实值的功能。


×

联系销售

如果您想将 W3Schools 服务用于教育机构、团队或企业,请发送电子邮件给我们
sales@w3schools.com

报告错误

如果您想报告错误,或想提出建议,请发送电子邮件给我们
help@w3schools.com

W3Schools 经过优化,旨在方便学习和培训。示例可能经过简化,以提高阅读和学习体验。教程、参考资料和示例会不断审查,以避免错误,但我们无法保证所有内容的完全正确性。使用 W3Schools 即表示您已阅读并接受我们的使用条款Cookie 和隐私政策

版权所有 1999-2024 Refsnes Data。保留所有权利。W3Schools 由 W3.CSS 提供支持