欧美一区二区三区老妇人-欧美做爰猛烈大尺度电-99久久夜色精品国产亚洲a-亚洲福利视频一区二区

TensorFlow.js中JavaScript機器學習的示例分析-創(chuàng)新互聯(lián)

小編給大家分享一下TensorFlow.js中JavaScript機器學習的示例分析，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！

創(chuàng)新互聯(lián)-專業(yè)網站定制、快速模板網站建設、高性價比濱江網站開發(fā)、企業(yè)建站全套包干低至880元,成熟完善的模板庫,直接使用。一站式濱江網站制作公司更省心,省錢,快速模板網站建設找我們，業(yè)務覆蓋濱江地區(qū)。費用合理售后完善，10多年實體公司更值得信賴。

雖然python或r編程語言有一個相對容易的學習曲線，但是Web開發(fā)人員更喜歡在他們舒適的javascript區(qū)域內做事情。目前來看，node.js已經開始向每個領域應用javascript，在這一大趨勢下我們需要理解并使用JS進行機器學習。由于可用的軟件包數(shù)量眾多，python變得流行起來，但是JS社區(qū)也緊隨其后。這篇文章會幫助初學者學習如何構建一個簡單的分類器。

創(chuàng)建

我們可以創(chuàng)建一個使用tensorflow.js在瀏覽器中訓練模型的網頁。考慮到房屋的“avgareanumberofrows”，模型可以學習去預測房屋的“價格”。

為此我們要做的是：

加載數(shù)據并為培訓做好準備。

定義模型的體系結構。

訓練模型并在訓練時監(jiān)控其性能。

通過做出一些預測來評估經過訓練的模型。

第一步：讓我們從基礎開始

創(chuàng)建一個HTML頁面并包含JavaScript。將以下代碼復制到名為index.html的HTML文件中。

<!DOCTYPE html>
<html>
<head>
  <title>TensorFlow.js Tutorial</title>
  <!-- Import TensorFlow.js -->
  <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@1.0.0/dist/tf.min.js"></script>
  <!-- Import tfjs-vis -->
  <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs-vis@1.0.2/dist/tfjs-vis.umd.min.js"></script>
  <!-- Import the main script file -->
  <script src="script.js"></script>
</head>
<body>
</body>
</html>

為代碼創(chuàng)建javascript文件

在與上面的HTML文件相同的文件夾中，創(chuàng)建一個名為script.js的文件，并將以下代碼放入其中。

console.log('Hello TensorFlow');

測試

既然已經創(chuàng)建了HTML和JavaScript文件，那么就測試一下它們。在瀏覽器中打開index.html文件并打開devtools控制臺。

如果一切正常，那么應該在devtools控制臺中創(chuàng)建并可用兩個全局變量：

  • tf是對tensorflow.js庫的引用
  • tfvis是對tfjs vis庫的引用

現(xiàn)在你應該可以看到一條消息，上面寫著“Hello TensorFlow”。如果是這樣，你就可以繼續(xù)下一步了。

TensorFlow.js中JavaScript機器學習的示例分析

注意：可以使用Bit來共享可重用的JS代碼

Bit（GitHub上的Bit）是跨項目和應用程序共享可重用JavaScript代碼的最快和最可擴展的方式。可以試一試，它是免費的：

組件發(fā)現(xiàn)與協(xié)作·Bit

Bit是開發(fā)人員共享組件和協(xié)作，共同構建令人驚嘆的軟件的地方。發(fā)現(xiàn)共享的組件…
Bit.dev

例如：Ramda用作共享組件

Ramda by Ramda·Bit

一個用于JavaScript程序員的實用函數(shù)庫。-256個javascript組件。例如：等號，乘…
Bit.dev

第2步：加載數(shù)據，格式化數(shù)據并可視化輸入數(shù)據

我們將加載“house”數(shù)據集，可以在這里找到。它包含了特定房子的許多不同特征。對于本教程，我們只需要有關房間平均面積和每套房子價格的數(shù)據。

將以下代碼添加到script.js文件中。

async function getData() {
  Const houseDataReq=await
fetch('https://raw.githubusercontent.com/meetnandu05/ml1/master/house.json');  
  const houseData = await houseDataReq.json();  
  const cleaned = houseData.map(house => ({
    price: house.Price,
    rooms: house.AvgAreaNumberofRooms,
  }))
  .filter(house => (house.price != null && house.rooms != null));

  return cleaned;
}

這可以刪除沒有定義價格或房間數(shù)量的任何條目。我們可以將這些數(shù)據繪制成散點圖，看看它是什么樣子的。

將以下代碼添加到script.js文件的底部。

async function run() {
  // Load and plot the original input data that we are going to train on.
  const data = await getData();
  const values = data.map(d => ({
    x: d.rooms,
    y: d.price,
  }));
  tfvis.render.scatterplot(
    {name: 'No.of rooms v Price'},
    {values}, 
    {
      xLabel: 'No. of rooms',
      yLabel: 'Price',
      height: 300
    }
  );
  // More code will be added below
}
document.addEventListener('DOMContentLoaded', run);

刷新頁面時，你可以在頁面左側看到一個面板，上面有數(shù)據的散點圖，如下圖。

TensorFlow.js中JavaScript機器學習的示例分析

通常，在處理數(shù)據時，最好找到方法來查看數(shù)據，并在必要時對其進行清理。可視化數(shù)據可以讓我們了解模型是否可以學習數(shù)據的任何結構。

從上面的圖中可以看出，房間數(shù)量與價格之間存在正相關關系，即隨著房間數(shù)量的增加，房屋價格普遍上漲。

第三步：建立待培訓的模型

這一步我們將編寫代碼來構建機器學習模型。模型主要基于此代碼進行架構，所以這是一個比較重要的步驟。機器學習模型接受輸入，然后產生輸出。對于tensorflow.js，我們必須構建神經網絡。

將以下函數(shù)添加到script.js文件中以定義模型。

function createModel() {
  // Create a sequential model
  const model = tf.sequential(); 

  // Add a single hidden layer
  model.add(tf.layers.dense({inputShape: [1], units: 1, useBias: true}));

  // Add an output layer
  model.add(tf.layers.dense({units: 1, useBias: true}));
  return model;
}

這是我們可以在tensorflow.js中定義的最簡單的模型之一，我們來試下簡單分解每一行。

實例化模型

const model = tf.sequential();

這將實例化一個tf.model對象。這個模型是連續(xù)的，因為它的輸入直接流向它的輸出。其他類型的模型可以有分支，甚至可以有多個輸入和輸出，但在許多情況下，你的模型是連續(xù)的。

添加層

model.add(tf.layers.dense({inputShape: [1], units: 1, useBias: true}));

這為我們的網絡添加了一個隱藏層。因為這是網絡的第一層，所以我們需要定義我們的輸入形狀。輸入形狀是[1]，因為我們有1這個數(shù)字作為輸入（給定房間的房間數(shù)）。

單位（鏈接）設置權重矩陣在層中的大小。在這里將其設置為1，我們可以說每個數(shù)據輸入特性都有一個權重。

model.add(tf.layers.dense({units: 1}));

上面的代碼創(chuàng)建了我們的輸出層。我們將單位設置為1，因為我們要輸出1這個數(shù)字。

創(chuàng)建實例

將以下代碼添加到前面定義的運行函數(shù)中。

// Create the model
const model = createModel();  
tfvis.show.modelSummary({name: 'Model Summary'}, model);

這樣可以創(chuàng)建實例模型，并且在網頁上有顯示層的摘要。

TensorFlow.js中JavaScript機器學習的示例分析

步驟4：為創(chuàng)建準備數(shù)據

為了獲得TensorFlow.js的性能優(yōu)勢，使培訓機器學習模型實用化，我們需要將數(shù)據轉換為Tensors。

將以下代碼添加到script.js文件中。

function convertToTensor(data) {

  return tf.tidy(() => {
    // Step 1\. Shuffle the data    
    tf.util.shuffle(data);
    // Step 2\. Convert data to Tensor
    const inputs = data.map(d => d.rooms)
    const labels = data.map(d => d.price);
    const inputTensor = tf.tensor2d(inputs, [inputs.length, 1]);
    const labelTensor = tf.tensor2d(labels, [labels.length, 1]);
    //Step 3\. Normalize the data to the range 0 - 1 using min-max scaling
    const inputMax = inputTensor.max();
    const inputMin = inputTensor.min();  
    const labelMax = labelTensor.max();
    const labelMin = labelTensor.min();
    const normalizedInputs = inputTensor.sub(inputMin).p(inputMax.sub(inputMin));
    const normalizedLabels = labelTensor.sub(labelMin).p(labelMax.sub(labelMin));
    return {
      inputs: normalizedInputs,
      labels: normalizedLabels,
      // Return the min/max bounds so we can use them later.
      inputMax,
      inputMin,
      labelMax,
      labelMin,
    }
  });  
}

接下來，我們可以分析一下將會出現(xiàn)什么情況。

隨機播放數(shù)據

// Step 1\. Shuffle the data    
tf.util.shuffle(data);

在訓練模型的過程中，數(shù)據集被分成更小的集合，每個集合稱為一個批。然后將這些批次送入模型運行。整理數(shù)據很重要，因為模型不應該一次又一次地得到相同的數(shù)據。如果模型一次又一次地得到相同的數(shù)據，那么模型將無法歸納數(shù)據，并為運行期間收到的輸入提供指定的輸出。洗牌將有助于在每個批次中擁有各種數(shù)據。

轉換為Tensor

// Step 2\. Convert data to Tensor
const inputs = data.map(d => d.rooms)
const labels = data.map(d => d.price);
const inputTensor = tf.tensor2d(inputs, [inputs.length, 1]);
const labelTensor = tf.tensor2d(labels, [labels.length, 1]);

這里我們制作了兩個數(shù)組，一個用于輸入示例（房間條目數(shù)），另一個用于實際輸出值（在機器學習中稱為標簽，在我們的例子中是每個房子的價格）。然后我們將每個數(shù)組數(shù)據轉換為一個二維張量。

規(guī)范化數(shù)據

//Step 3\. Normalize the data to the range 0 - 1 using min-max scaling
const inputMax = inputTensor.max();
const inputMin = inputTensor.min();  
const labelMax = labelTensor.max();
const labelMin = labelTensor.min();
const normalizedInputs = inputTensor.sub(inputMin).p(inputMax.sub(inputMin));
const normalizedLabels = labelTensor.sub(labelMin).p(labelMax.sub(labelMin));

接下來，我們規(guī)范化數(shù)據。在這里，我們使用最小-大比例將數(shù)據規(guī)范化為數(shù)值范圍0-1。規(guī)范化很重要，因為您將使用tensorflow.js構建的許多機器學習模型的內部設計都是為了使用不太大的數(shù)字。規(guī)范化數(shù)據以包括0到1或-1到1的公共范圍。

返回數(shù)據和規(guī)范化界限

return {
  inputs: normalizedInputs,
  labels: normalizedLabels,
  // Return the min/max bounds so we can use them later.
  inputMax,
  inputMin,
  labelMax,
  labelMin,
}

我們可以在運行期間保留用于標準化的值，這樣我們就可以取消標準化輸出，使其恢復到原始規(guī)模，我們就可以用同樣的方式規(guī)范化未來的輸入數(shù)據。

步驟5：運行模型

通過創(chuàng)建模型實例、將數(shù)據表示為張量，我們可以準備開始運行模型。

將以下函數(shù)復制到script.js文件中。

async function trainModel(model, inputs, labels) {
  // Prepare the model for training.  
  model.compile({
    optimizer: tf.train.adam(),
    loss: tf.losses.meanSquaredError,
    metrics: ['mse'],
  });

  const batchSize = 28;
  const epochs = 50;

  return await model.fit(inputs, labels, {
    batchSize,
    epochs,
    shuffle: true,
    callbacks: tfvis.show.fitCallbacks(
      { name: 'Training Performance' },
      ['loss', 'mse'], 
      { height: 200, callbacks: ['onEpochEnd'] }
    )
  });
}

我們把它分解一下。

準備運行

// Prepare the model for training.  
model.compile({
  optimizer: tf.train.adam(),
  loss: tf.losses.meanSquaredError,
  metrics: ['mse'],
});

我們必須在訓練前“編譯”模型。要做到這一點，我們必須明確一些非常重要的事情：

優(yōu)化器：這是一個算法，它可以控制模型的更新，就像上面看到的例子一樣。TensorFlow.js中有許多可用的優(yōu)化器。這里我們選擇了Adam優(yōu)化器，因為它在實踐中非常有效，不需要進行額外配置。

損失函數(shù)：這是一個函數(shù)，它用于檢測模型所顯示的每個批（數(shù)據子集）方面完成的情況如何。在這里，我們可以使用meansquaredrror將模型所做的預測與真實值進行比較。

度量：這是我們要在每個區(qū)塊結束時用來計算的度量數(shù)組。我們可以用它計算整個訓練集的準確度，這樣我們就可以檢查自己的運行結果了。這里我們使用mse，它是meansquaredrror的簡寫。這是我們用于損失函數(shù)的相同函數(shù)，也是回歸任務中常用的函數(shù)。

const batchSize = 28;
const epochs = 50;

接下來，我們選擇一個批量大小和一些時間段：

batchSize指的是模型在每次運行迭代時將看到的數(shù)據子集的大小。常見的批量大小通常在32-512之間。對于所有問題來說，并沒有一個真正理想的批量大小，描述各種批量大小的精確方式這一知識點本教程沒有相關講解，對這些有興趣可以通過別的渠道進行了解學習。

epochs指的是模型將查看你提供的整個數(shù)據集的次數(shù)。在這里，我們通過數(shù)據集進行50次迭代。

啟動列車環(huán)路

return model.fit(inputs, labels, {
  batchSize,
  epochs,
  callbacks: tfvis.show.fitCallbacks(
    { name: 'Training Performance' },
    ['loss', 'mse'], 
    { 
      height: 200, 
      callbacks: ['onEpochEnd']
    }
  )
});

model.fit是我們調用的啟動循環(huán)的函數(shù)。它是一個異步函數(shù)，因此我們返回它給我們的特定值，以便調用者可以確定運行結束時間。

為了監(jiān)控運行進度，我們將一些回調傳遞給model.fit。我們使用tfvis.show.fitcallbacks生成函數(shù)，這些函數(shù)可以為前面指定的“損失”和“毫秒”度量繪制圖表。

把它們放在一起

現(xiàn)在我們必須調用從運行函數(shù)定義的函數(shù)。

將以下代碼添加到運行函數(shù)的底部。

// Convert the data to a form we can use for training.
const tensorData = convertToTensor(data);
const {inputs, labels} = tensorData;

// Train the model  
await trainModel(model, inputs, labels);
console.log('Done Training');

刷新頁面時，幾秒鐘后，你應該會看到圖形正在更新。

這些是由我們之前創(chuàng)建的回調創(chuàng)建的。它們在每個時代結束時顯示丟失（在最近的批處理上）和毫秒（在整個數(shù)據集上）。

當訓練一個模型時，我們希望看到損失減少。在這種情況下，因為我們的度量是一個誤差度量，所以我們希望看到它也下降。

第6步：做出預測

既然我們的模型經過了訓練，我們想做一些預測。讓我們通過觀察它預測的低到高數(shù)量房間的統(tǒng)一范圍來評估模型。

將以下函數(shù)添加到script.js文件中

function testModel(model, inputData, normalizationData) {
  const {inputMax, inputMin, labelMin, labelMax} = normalizationData;  

  // Generate predictions for a uniform range of numbers between 0 and 1;
  // We un-normalize the data by doing the inverse of the min-max scaling 
  // that we did earlier.
  const [xs, preds] = tf.tidy(() => {

    const xs = tf.linspace(0, 1, 100);      
    const preds = model.predict(xs.reshape([100, 1]));      

    const unNormXs = xs
      .mul(inputMax.sub(inputMin))
      .add(inputMin);

    const unNormPreds = preds
      .mul(labelMax.sub(labelMin))
      .add(labelMin);

    // Un-normalize the data
    return [unNormXs.dataSync(), unNormPreds.dataSync()];
  });

  const predictedPoints = Array.from(xs).map((val, i) => {
    return {x: val, y: preds[i]}
  });

  const originalPoints = inputData.map(d => ({
    x: d.rooms, y: d.price,
  }));

  tfvis.render.scatterplot(
    {name: 'Model Predictions vs Original Data'}, 
    {values: [originalPoints, predictedPoints], series: ['original', 'predicted']}, 
    {
      xLabel: 'No. of rooms',
      yLabel: 'Price',
      height: 300
    }
  );
}

在上面的函數(shù)中需要注意的一些事情。

const xs = tf.linspace(0, 1, 100);      
const preds = model.predict(xs.reshape([100, 1]));

我們生成100個新的“示例”以提供給模型。model.predict是我們如何將這些示例輸入到模型中的。注意，他們需要有一個類似的形狀（[num_的例子，num_的特點每個_的例子]）當我們做培訓時。

// Un-normalize the data
const unNormXs = xs
  .mul(inputMax.sub(inputMin))
  .add(inputMin);

const unNormPreds = preds
  .mul(labelMax.sub(labelMin))
  .add(labelMin);

為了將數(shù)據恢復到原始范圍（而不是0–1），我們使用規(guī)范化時計算的值，但只需反轉操作。

return [unNormXs.dataSync(), unNormPreds.dataSync()];

.datasync（）是一種方法，我們可以使用它來獲取存儲在張量中的值的typedarray。這允許我們在常規(guī)的javascript中處理這些值。這是通常選的.data（）方法的同步版本。

最后，我們使用tfjs-vis來繪制原始數(shù)據和模型中的預測。

將以下代碼添加到運行函數(shù)中。

testModel(model, data, tensorData);

刷新頁面，現(xiàn)在已經完成啦！

現(xiàn)在你已經學會使用tensorflow.js創(chuàng)建一個簡單的機器學習模型了。

看完了這篇文章，相信你對TensorFlow.js中JavaScript機器學習的示例分析有了一定的了解，想了解更多相關知識，歡迎關注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝各位的閱讀！

另外有需要云服務器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內外云服務器15元起步，三天無理由+7*72小時售后在線，公司持有idc許可證，提供“云服務器、裸金屬服務器、高防服務器、香港服務器、美國服務器、虛擬主機、免備案服務器”等云主機租用服務以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡單易用、服務可用性高、性價比高”等特點與優(yōu)勢，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應用場景需求。

本文名稱：TensorFlow.js中JavaScript機器學習的示例分析-創(chuàng)新互聯(lián)
分享網址：http://chinadenli.net/article28/coshcp.html

成都網站建設公司_創(chuàng)新互聯(lián)，為您提供微信小程序、品牌網站設計、面包屑導航、外貿網站建設、網站維護、動態(tài)網站

廣告

聲明：本網站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯(lián)

網站托管運營