示例 1 模型
随机化数据
在训练之前始终随机化数据。
当训练模型时，数据会被分成小的集合（批次）。然后，每个批次都会被送入模型。随机化很重要，可以防止模型反复获取相同的数据。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的输出。随机化在每个批次中提供更多样的数据。
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 2D 张量
const inputTensor = tf.tensor2d(inputs, [inputs.length, 1]);
const labelTensor = tf.tensor2d(labels, [labels.length, 1]);
数据归一化
数据在被用于神经网络之前应该进行归一化。
对于数值数据，使用最小-最大方法得到 0 - 1 的范围通常是最好的
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使用的层类型。它将输入乘以权重矩阵，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 = 马力)。
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。它使用简单且非常有效。
meanSquaredError 是我们想要用来比较模型预测和真实值的函数。
