小編給大家分享一下TensorFlow.js中JavaScript機(jī)器學(xué)習(xí)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(wǎng)站定制、快速模板網(wǎng)站建設(shè)、高性價(jià)比濱江網(wǎng)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(wǎng)站制作公司更省心,省錢,快速模板網(wǎng)站建設(shè)找我們，業(yè)務(wù)覆蓋濱江地區(qū)。費(fèi)用合理售后完善，10多年實(shí)體公司更值得信賴。雖然python或r編程語言有一個(gè)相對(duì)容易的學(xué)習(xí)曲線，但是Web開發(fā)人員更喜歡在他們舒適的javascript區(qū)域內(nèi)做事情。目前來看，node.js已經(jīng)開始向每個(gè)領(lǐng)域應(yīng)用javascript，在這一大趨勢(shì)下我們需要理解并使用JS進(jìn)行機(jī)器學(xué)習(xí)。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(huì)幫助初學(xué)者學(xué)習(xí)如何構(gòu)建一個(gè)簡(jiǎn)單的分類器。
我們可以創(chuàng)建一個(gè)使用tensorflow.js在瀏覽器中訓(xùn)練模型的網(wǎng)頁?？紤]到房屋的“avgareanumberofrows”，模型可以學(xué)習(xí)去預(yù)測(cè)房屋的“價(jià)格”。
為此我們要做的是：
加載數(shù)據(jù)并為培訓(xùn)做好準(zhǔn)備。
定義模型的體系結(jié)構(gòu)。
訓(xùn)練模型并在訓(xùn)練時(shí)監(jiān)控其性能。
通過做出一些預(yù)測(cè)來評(píng)估經(jīng)過訓(xùn)練的模型。
第一步：讓我們從基礎(chǔ)開始
創(chuàng)建一個(gè)HTML頁面并包含JavaScript。將以下代碼復(fù)制到名為index.html的HTML文件中。
TensorFlow.js Tutorial
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(gè)名為script.js的文件，并將以下代碼放入其中。
重慶分公司
重慶分公司
console.log('Hello TensorFlow');測(cè)試
既然已經(jīng)創(chuàng)建了HTML和JavaScript文件，那么就測(cè)試一下它們。在瀏覽器中打開index.html文件并打開devtools控制臺(tái)。
如果一切正常，那么應(yīng)該在devtools控制臺(tái)中創(chuàng)建并可用兩個(gè)全局變量：
現(xiàn)在你應(yīng)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。
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(xiàng)目和應(yīng)用程序共享可重用JavaScript代碼的最快和最可擴(kuò)展的方式?？梢栽囈辉嚕敲赓M(fèi)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(gòu)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(gè)用于JavaScript程序員的實(shí)用函數(shù)庫。-256個(gè)javascript組件。例如：等號(hào)，乘…
Bit.dev
第2步：加載數(shù)據(jù)，格式化數(shù)據(jù)并可視化輸入數(shù)據(jù)
我們將加載“house”數(shù)據(jù)集，可以在這里找到。它包含了特定房子的許多不同特征。對(duì)于本教程，我們只需要有關(guān)房間平均面積和每套房子價(jià)格的數(shù)據(jù)。
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(jià)格或房間數(shù)量的任何條目。我們可以將這些數(shù)據(jù)繪制成散點(diǎn)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(shí)，你可以在頁面左側(cè)看到一個(gè)面板，上面有數(shù)據(jù)的散點(diǎn)圖，如下圖。
通常，在處理數(shù)據(jù)時(shí)，最好找到方法來查看數(shù)據(jù)，并在必要時(shí)對(duì)其進(jìn)行清理?？梢暬瘮?shù)據(jù)可以讓我們了解模型是否可以學(xué)習(xí)數(shù)據(jù)的任何結(jié)構(gòu)。
從上面的圖中可以看出，房間數(shù)量與價(jià)格之間存在正相關(guān)關(guān)系，即隨著房間數(shù)量的增加，房屋價(jià)格普遍上漲。
第三步：建立待培訓(xùn)的模型
這一步我們將編寫代碼來構(gòu)建機(jī)器學(xué)習(xí)模型。模型主要基于此代碼進(jìn)行架構(gòu)，所以這是一個(gè)比較重要的步驟。機(jī)器學(xué)習(xí)模型接受輸入，然后產(chǎn)生輸出。對(duì)于tensorflow.js，我們必須構(gòu)建神經(jīng)網(wǎng)絡(luò)。
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(jiǎn)單的模型之一，我們來試下簡(jiǎn)單分解每一行。
實(shí)例化模型
const model = tf.sequential();
這將實(shí)例化一個(gè)tf.model對(duì)象。這個(gè)模型是連續(xù)的，因?yàn)樗妮斎胫苯恿飨蛩妮敵觥Ｆ渌愋偷哪Ｐ涂梢杂蟹种?，甚至可以有多個(gè)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(wǎng)絡(luò)添加了一個(gè)隱藏層。因?yàn)檫@是網(wǎng)絡(luò)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?yàn)槲覀冇?這個(gè)數(shù)字作為輸入（給定房間的房間數(shù)）。
單位（鏈接）設(shè)置權(quán)重矩陣在層中的大小。在這里將其設(shè)置為1，我們可以說每個(gè)數(shù)據(jù)輸入特性都有一個(gè)權(quán)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(shè)置為1，因?yàn)槲覀円敵?這個(gè)數(shù)字。
創(chuàng)建實(shí)例
將以下代碼添加到前面定義的運(yùn)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(shí)例模型，并且在網(wǎng)頁上有顯示層的摘要。
步驟4：為創(chuàng)建準(zhǔn)備數(shù)據(jù)
為了獲得TensorFlow.js的性能優(yōu)勢(shì)，使培訓(xùn)機(jī)器學(xué)習(xí)模型實(shí)用化，我們需要將數(shù)據(jù)轉(zhuǎn)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(huì)出現(xiàn)什么情況。
隨機(jī)播放數(shù)據(jù)
// Step 1\. Shuffle the data tf.util.shuffle(data);
在訓(xùn)練模型的過程中，數(shù)據(jù)集被分成更小的集合，每個(gè)集合稱為一個(gè)批。然后將這些批次送入模型運(yùn)行。整理數(shù)據(jù)很重要，因?yàn)槟Ｐ筒粦?yīng)該一次又一次地得到相同的數(shù)據(jù)。如果模型一次又一次地得到相同的數(shù)據(jù)，那么模型將無法歸納數(shù)據(jù)，并為運(yùn)行期間收到的輸入提供指定的輸出。洗牌將有助于在每個(gè)批次中擁有各種數(shù)據(jù)。
轉(zhuǎn)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(gè)數(shù)組，一個(gè)用于輸入示例（房間條目數(shù)），另一個(gè)用于實(shí)際輸出值（在機(jī)器學(xué)習(xí)中稱為標(biāo)簽，在我們的例子中是每個(gè)房子的價(jià)格）。然后我們將每個(gè)數(shù)組數(shù)據(jù)轉(zhuǎn)換為一個(gè)二維張量。
規(guī)范化數(shù)據(jù)
//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(jù)。在這里，我們使用最小-大比例將數(shù)據(jù)規(guī)范化為數(shù)值范圍0-1。規(guī)范化很重要，因?yàn)槟鷮⑹褂胻ensorflow.js構(gòu)建的許多機(jī)器學(xué)習(xí)模型的內(nèi)部設(shè)計(jì)都是為了使用不太大的數(shù)字。規(guī)范化數(shù)據(jù)以包括0到1或-1到1的公共范圍。
返回?cái)?shù)據(jù)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(yùn)行期間保留用于標(biāo)準(zhǔn)化的值，這樣我們就可以取消標(biāo)準(zhǔn)化輸出，使其恢復(fù)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(jù)。
步驟5：運(yùn)行模型
通過創(chuàng)建模型實(shí)例、將數(shù)據(jù)表示為張量，我們可以準(zhǔn)備開始運(yùn)行模型。
將以下函數(shù)復(fù)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(zhǔn)備運(yùn)行
// Prepare the model for training.
model.compile({
optimizer: tf.train.adam(),
loss: tf.losses.meanSquaredError,
metrics: ['mse'],
});我們必須在訓(xùn)練前“編譯”模型。要做到這一點(diǎn)，我們必須明確一些非常重要的事情：
優(yōu)化器：這是一個(gè)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?yàn)樗趯?shí)踐中非常有效，不需要進(jìn)行額外配置。
損失函數(shù)：這是一個(gè)函數(shù)，它用于檢測(cè)模型所顯示的每個(gè)批（數(shù)據(jù)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(yù)測(cè)與真實(shí)值進(jìn)行比較。
度量：這是我們要在每個(gè)區(qū)塊結(jié)束時(shí)用來計(jì)算的度量數(shù)組。我們可以用它計(jì)算整個(gè)訓(xùn)練集的準(zhǔn)確度，這樣我們就可以檢查自己的運(yùn)行結(jié)果了。這里我們使用mse，它是meansquaredrror的簡(jiǎn)寫。這是我們用于損失函數(shù)的相同函數(shù)，也是回歸任務(wù)中常用的函數(shù)。
const batchSize = 28; const epochs = 50;
接下來，我們選擇一個(gè)批量大小和一些時(shí)間段：
batchSize指的是模型在每次運(yùn)行迭代時(shí)將看到的數(shù)據(jù)子集的大小。常見的批量大小通常在32-512之間。對(duì)于所有問題來說，并沒有一個(gè)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(shí)點(diǎn)本教程沒有相關(guān)講解，對(duì)這些有興趣可以通過別的渠道進(jìn)行了解學(xué)習(xí)。
epochs指的是模型將查看你提供的整個(gè)數(shù)據(jù)集的次數(shù)。在這里，我們通過數(shù)據(jù)集進(jìn)行50次迭代。
啟動(dòng)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(diào)用的啟動(dòng)循環(huán)的函數(shù)。它是一個(gè)異步函數(shù)，因此我們返回它給我們的特定值，以便調(diào)用者可以確定運(yùn)行結(jié)束時(shí)間。
為了監(jiān)控運(yùn)行進(jìn)度，我們將一些回調(diào)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(diào)用從運(yùn)行函數(shù)定義的函數(shù)。
將以下代碼添加到運(yùn)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(shí)，幾秒鐘后，你應(yīng)該會(huì)看到圖形正在更新。
這些是由我們之前創(chuàng)建的回調(diào)創(chuàng)建的。它們?cè)诿總€(gè)時(shí)代結(jié)束時(shí)顯示丟失（在最近的批處理上）和毫秒（在整個(gè)數(shù)據(jù)集上）。
當(dāng)訓(xùn)練一個(gè)模型時(shí)，我們希望看到損失減少。在這種情況下，因?yàn)槲覀兊亩攘渴且粋€(gè)誤差度量，所以我們希望看到它也下降。
第6步：做出預(yù)測(cè)
既然我們的模型經(jīng)過了訓(xùn)練，我們想做一些預(yù)測(cè)。讓我們通過觀察它預(yù)測(cè)的低到高數(shù)量房間的統(tǒng)一范圍來評(píng)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(gè)新的“示例”以提供給模型。model.predict是我們?nèi)绾螌⑦@些示例輸入到模型中的。注意，他們需要有一個(gè)類似的形狀（[num_的例子，num_的特點(diǎn)每個(gè)_的例子]）當(dāng)我們做培訓(xùn)時(shí)。
// 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(jù)恢復(fù)到原始范圍（而不是0–1），我們使用規(guī)范化時(shí)計(jì)算的值，但只需反轉(zhuǎn)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(chǔ)在張量中的值的typedarray。這允許我們?cè)诔Ｒ?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(jù)和模型中的預(yù)測(cè)。
將以下代碼添加到運(yùn)行函數(shù)中。
testModel(model, data, tensorData);
刷新頁面，現(xiàn)在已經(jīng)完成啦！
現(xiàn)在你已經(jīng)學(xué)會(huì)使用tensorflow.js創(chuàng)建一個(gè)簡(jiǎn)單的機(jī)器學(xué)習(xí)模型了。
看完了這篇文章，相信你對(duì)TensorFlow.js中JavaScript機(jī)器學(xué)習(xí)的示例分析有了一定的了解，想了解更多相關(guān)知識(shí)，歡迎關(guān)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(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時(shí)售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡(jiǎn)單易用、服務(wù)可用性高、性價(jià)比高”等特點(diǎn)與優(yōu)勢(shì)，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場(chǎng)景需求。
