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了解函数，接受一个输入而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，个人由于应该算算法。神经网络大家可以将其了解为复杂的模型，这个模型有大量参数，所以需要肯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，而后逐行解释

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 有点相似一个容器，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}));

创立好容器后，我们即可以增加 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 提供事前定义好层，dense layer 全连接层是一种比较简单，假如大家不理解，即可以将其简单了解为一个线性方程，y = wx + b, 不过由于输入一批样本所以， 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，由于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。

提醒：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。

提醒：隐藏层有 1 个单元，实际上没有必要增加最终的输出层，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 modelconst model = createModel();tfvis.show.modelSummary({name: 'Model Summary'}, model)

截屏2021-06-25下午12.36.54.png