TensorFlow 模型
TensorFlow.js 是一个基于 JavaScript 的机器学习库，支持在浏览器环境中直接训练和部署机器学习模型。
在机器学习中，模型（Models）和层（Layers）是核心的基础构建单元。
针对不同的机器学习任务，开发者需要将多种类型的神经网络层组合成一个可训练的模型，该模型能够通过数据学习并预测未来值。
TensorFlow.js 全面支持多种模型架构和神经网络层类型，为开发者提供灵活的机器学习构建模块。
在 TensorFlow 中，模型（Model）本质上是一个包含一个或多个神经网络层（Layers）的神经网络架构。
TensorFlow 项目
✅ TensorFlow 项目标准工作流程如下：
数据收集 → 创建模型 → 添加网络层 → 编译模型 → 训练模型 → 使用模型
| 步骤名称 | 英文术语 | 技术说明 |
|---|---|---|
| 数据收集 | Collecting Data | 获取原始数据集并进行预处理 |
| 创建模型 | Creating a Model | 初始化神经网络架构 |
| 添加网络层 | Adding Layers | 构建神经网络层次结构 |
| 编译模型 | Compiling | 配置优化器和损失函数 |
| 训练模型 | Training | 使用数据训练模型参数 |
| 使用模型 | Using | 进行预测或部署应用 |
TensorFlow 实例
✅ 假设已知一个定义直线的函数：y = 1.2x + 5，你可以使用 JavaScript 公式计算任意y值：
y = 1.2 * x + 5;✅ 为演示 TensorFlow.js 的功能，我们可以训练一个 TensorFlow.js 模型，使其能够根据输入x值预测对应的y值：
// 创建训练数据
const xs = tf.tensor([0, 1, 2, 3, 4]);
const ys = xs.mul(1.2).add(5);
// 定义线性回归模型
const model = tf.sequential();
model.add(tf.layers.dense({units:1, inputShape:[1]}));
// 配置损失函数和优化器
model.compile({loss:'meanSquaredError', optimizer:'sgd'});
// 训练模型
model.fit(xs, ys, {epochs:500}).then(() => {myFunction()});
// 使用模型进行预测
function myFunction() {
const xMax = 10;
const xArr = [];
const yArr = [];
for (let x = 0; x <= xMax; x++) {
let result = model.predict(tf.tensor([Number(x)]));
result.data().then(y => {
xArr.push(x);
yArr.push(Number(y));
if (x == xMax) {plot(xArr, yArr)};
});
}
}下面是该示例的完整技术解析。
数据收集（Collecting Data）
✅ 创建包含 5 个x值的张量(xs)：
const xs = tf.tensor([0, 1, 2, 3, 4]);✅ 创建包含 5 个对应y值的张量(ys)（将xs乘以 1.2 再加 5）：
const ys = xs.mul(1.2).add(5);创建模型（Creating a Model）
✅ 使用tf.sequential()方法，创建顺序模型：
const model = tf.sequential();在顺序模型（Sequential Model）中，前一层的输出将自动作为下一层的输入。
添加网络层（Adding Layers）
为模型添加一个全连接层（Dense Layer）
✅ 该网络层配置为单神经元单元（输出张量维度为 1）：
model.add(tf.layers.dense({units:1, inputShape:[1]}));在全连接层（Dense Layer）中，每个神经元节点都与前一层的所有节点实现全互联。
编译模型（Compiling the Model）
✅ 使用均方误差（meanSquaredError）作为损失函数，随机梯度下降（sgd）作为优化器来编译模型：
model.compile({loss:'meanSquaredError', optimizer:'sgd'});TensorFlow 优化器
| 优化器名称 | 实现算法 | 技术说明 |
|---|---|---|
| Adadelta | 实现 Adadelta 算法 | 自适应学习率方法，无需设置初始学习率，适合 RNN 训练 |
| Adagrad | 实现 Adagrad 算法 | 参数特定学习率，适合稀疏数据，内存占用较高 |
| Adam | 实现 Adam 算法 | 结合动量与 RMSProp，默认推荐优化器 |
| Adamax | 实现 Adamax 算法 | Adam 的变体，使用无穷范数，对嵌入层效果更好 |
| Ftrl | 实现 FTRL 算法 | Follow-the-Regularized-Leader，适合大规模线性模型 |
| Nadam | 实现 NAdam 算法 | Adam 与 Nesterov 动量的结合 |
| Optimizer | Keras 优化器基类 | 所有优化器的抽象基类，可用于自定义优化器 |
| RMSprop | 实现 RMSprop 算法 | 自适应学习率，对循环神经网络效果显著 |
| SGD | 随机梯度下降优化器 | 基础优化器，可配置动量和学习率衰减 |
训练模型（Training the Model）
✅ 训练模型（使用 xs 和 ys 数据）并进行 500 次迭代（epochs）：
model.fit(xs, ys, {epochs:500}).then(() => {myFunction()});使用模型（Using the Model）
在模型训练完成之后，可以将其用做许多种不同的用途。
✅ 下面这个例子根据给定的 10 个x值预测出 10 个y值，并调用函数将预测结果绘制成图表：
function myFunction() {
const xMax = 10;
const xArr = [];
const yArr = [];
for (let x = 0; x <= xMax; x++) {
let result = model.predict(tf.tensor([Number(x)]));
result.data().then(y => {
xArr.push(x);
yArr.push(Number(y));
if (x == xMax) {plot(xArr, yArr)};
});
}
}✅ 下面这个例子根据给定的 10 个x值预测出 10 个y值，并调用函数显示预测结果：
function myFunction() {
const xMax = 10;
const xArr = [];
const yArr = [];
for (let x = 0; x <= xMax; x++) {
let result = model.predict(tf.tensor([Number(x)]));
result.data().then(y => {
xArr.push(x);
yArr.push(Number(y));
if (x == xMax) {display(xArr, yArr)};
});
}
}反馈提交成功
感谢您的反馈，我们将尽快处理您的反馈