نماذج TensorFlow
TesorFlow.js
مكتبة JavaScript لـ
تدريب ونشر
نماذج التعلم الآلي
في المستعرض
نماذج Tensorflow
النماذج والطبقات هي لبنات بناء مهمة في التعلم الآلي .
بالنسبة إلى مهام التعلم الآلي المختلفة ، يجب عليك دمج أنواع مختلفة من الطبقات في نموذج يمكن تدريبه باستخدام البيانات للتنبؤ بالقيم المستقبلية.
يدعم TensorFlow.js أنواعًا مختلفة من النماذج وأنواعًا مختلفة من الطبقات.
نموذج TensorFlow عبارة عن شبكة عصبية ذات طبقة واحدة أو أكثر .
مشروع Tensorflow
يحتوي مشروع Tensorflow على سير العمل النموذجي هذا:
- جمع البيانات
- إنشاء نموذج
- إضافة طبقات إلى النموذج
- تجميع النموذج
- تدريب النموذج
- استخدام النموذج
مثال
Suppose you knew a function that defined a strait line:
Y = 1.2X + 5
Then you could calculate any y value with the JavaScript formula:
y = 1.2 * x + 5;
To demonstrate Tensorflow.js, we could train a Tensorflow.js model to predict Y values based on X inputs.
The TensorFlow model does not know the function.
// Create Training Data
const xs = tf.tensor([0, 1, 2, 3, 4]);
const ys = xs.mul(1.2).add(5);
// Define a Linear Regression Model
const model = tf.sequential();
model.add(tf.layers.dense({units:1, inputShape:[1]}));
// Specify Loss and Optimizer
model.compile({loss:'meanSquaredError', optimizer:'sgd'});
// Train the Model
model.fit(xs, ys, {epochs:500}).then(() => {myFunction()});
// Use the Model
function myFunction() {
const xArr = [];
const yArr = [];
for (let x = 0; x <= 10; x++) {
xArr.push(x);
let result = model.predict(tf.tensor([Number(x)]));
result.data().then(y => {
yArr.push(Number(y));
if (x == 10) {plot(xArr, yArr)};
});
}
}
The example is explained below:
Collecting Data
Create a tensor (xs) with 5 x values:
const xs = tf.tensor([0, 1, 2, 3, 4]);
Create a tensor (ys) with 5 correct y answers (multiply xs with 1.2 and add 5):
const ys = xs.mul(1.2).add(5);
Creating a Model
Create a sequential mode:.
const model = tf.sequential();
In a sequential model, the output from one layer is the input to the next layer.
Adding Layers
Add one dense layer to the model.
The layer is only one unit (tensor) and the shape is 1 (one dimentional):
model.add(tf.layers.dense({units:1, inputShape:[1]}));
in a dense the layer, every node is connected to every node in the preceding layer.
Compiling the Model
Compile the model using meanSquaredError as loss function and sgd (stochastic gradient descent) as optimizer function:
model.compile({loss:'meanSquaredError', optimizer:'sgd'});
Tensorflow Optimizers
- Adadelta -Implements the Adadelta algorithm.
- Adagrad - Implements the Adagrad algorithm.
- Adam - Implements the Adam algorithm.
- Adamax - Implements the Adamax algorithm.
- Ftrl - Implements the FTRL algorithm.
- Nadam - Implements the NAdam algorithm.
- Optimizer - Base class for Keras optimizers.
- RMSprop - Implements the RMSprop algorithm.
- SGD - Stochastic Gradient Descent Optimizer.
Training the Model
Train the model (using xs and ys) with 500 repeats (epochs):
model.fit(xs, ys, {epochs:500}).then(() => {myFunction()});
Using the Model
After the model is trained, you can use it for many different purposes.
This example predicts 10 y values, given 10 x values, and calls a function to plot the predictions in a graph:
function myFunction() {
const xArr = [];
const yArr = [];
for (let x = 0; x <= 10; x++) {
let result = model.predict(tf.tensor([Number(x)]));
result.data().then(y => {
xArr.push(x);
yArr.push(Number(y));
if (x == 10) {display(xArr, yArr)};
});
}
}
This example predicts 10 y values, given 10 x values, and calls a function to display the values:
function myFunction() {
const xArr = [];
const yArr = [];
for (let x = 0; x <= 10; x++) {
let result = model.predict(tf.tensor([Number(x)]));
result.data().then(y => {
xArr.push(x);
yArr.push(Number(y));
if (x == 10) {display(xArr, yArr)};
});
}
}