浏览器端的机器学习 tensorflowjs(4) 定义模型

cover_002.png

机器学习模型可以简单理解函数,接受一个输入然后经过函数得到一个输出的算法。当使用神经网络时,那么神经网络就是是模型还是算法,个人因为应该算算法。神经网络大家可以将其理解为复杂的模型,这个模型有大量参数,所以需要一定算力而且神经网络求解过程是简单暴力的。

定义模型

我们先把这次分享完成代码抛出了,然后逐行解释

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

  // Add a single input 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;
}

初始化一个容器

const model = tf.sequential();

这实例化了一个 tf.Model对象,sequential 有点类似一个容器,我们可以将神经网络的层结构一层一层堆叠到容器,输入的数据会经过这些层后输出一个结果。
也存在多个输入和输出的模型,但在许多情况下,我们的模型将是顺序执行的。

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

创建好容器后,我们就可以添加 layer 到的网络中,它自动连接到一个有一个隐藏单元的密集层。

在 Tensorflow 提供事先定义好层,dense layer 全连接层是一种比较简单,如果大家不了解,就可以将其简单理解为一个线性方程,y = wx + b, 不过因为输入一批样本所以, w 通常为一个矩阵(称为权重),输入数据乘以矩阵 w 在加上一个偏置 b ,这里 b 也是一个向量。这样我们就定义好了网络的第一层。

在解释一下参数 inputShape,因为数据只有一个特征作为输入所以 inputShape是[1]。

units 设定了该层中的权重矩阵的大小,它设置为1,表示每个数据的输入特征是 1 所以只有 1 个权重。

提示:全连接层默认带有一个偏置项,默认情况下 useBias 的值为 true

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

其实这一层是神经网络的输出层,units 设置为 1,输出 1 个数值。

提示:隐藏层有 1 个单元,实际上没有必要添加最终的输出层,也就是说可以把隐藏层作为输出层。然而,定义一个输出层可以让以后可以修改隐藏层的单元数,仅此而已。

实例化

// Create the model
const model = createModel();
tfvis.show.modelSummary({name: 'Model Summary'}, model)
截屏2021-06-25下午12.36.54.png
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 157,298评论 4 360
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 66,701评论 1 290
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 107,078评论 0 237
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 43,687评论 0 202
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 52,018评论 3 286
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 40,410评论 1 211
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,729评论 2 310
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 30,412评论 0 194
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 34,124评论 1 239
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,379评论 2 242
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,903评论 1 257
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 28,268评论 2 251
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,894评论 3 233
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 26,014评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,770评论 0 192
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 35,435评论 2 269
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 35,312评论 2 260

推荐阅读更多精彩内容