Question

brain.js的例子让我能够很好地理解软件 - 以及机器学习的各个方面。

现在我正在努力学习tensorflow.js，很难复制相同类型的代码。

例如，TensorFlow相当于以下脑代码是什么？

var net = new brain.NeuralNetwork();

net.train([{input: { r: 0.03, g: 0.7, b: 0.5 }, output: { black: 1 }},
       {input: { r: 0.16, g: 0.09, b: 0.2 }, output: { white: 1 }},
       {input: { r: 0.5, g: 0.5, b: 1.0 }, output: { white: 1 }}]);

var output = net.run({ r: 1, g: 0.4, b: 0 });  // { white: 0.99, black: 0.002 }

Answer 1

这将是您提供的示例的简化版本：

const net = tf.sequential();
net.add(tf.layers.dense({
  units: 2,
  inputShape: [3],
  activation: 'sigmoid'
}));
net.compile({
  loss: 'meanSquaredError',
  optimizer: 'sgd'
});

const xs = tf.tensor2d([
  [0.03, 0.7, 0.5],
  [0.16, 0.09, 0.2],
  [0.5, 0.5, 1.0]
]);
const ys = tf.tensor2d([
  [1, 0],
  [0, 1],
  [0, 1]
]);

net.fit(xs, ys).then(() => {
  const xPredict = tf.tensor2d([
    [1.0, 0.4, 0.0]
  ]);

  const prediction = net.predict(xPredict);
  prediction.print();
});

<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.11.6">
</script>

但正如您所看到的，您必须更加具体地了解神经网络实际上做了什么。我刚刚使用了你可以使用的基本选项。正如您所看到的，网络因此而表现非常糟糕，但我希望您能了解其工作原理。所以让我试着解释这个片段的作用：

const通常用于tf.tensor，因为它们存在于GPU上，因此无论如何它们都无法更改。

tf.sequential()创建一个空的前馈网络。（如果你不知道那是什么，那么在没有实现的情况下首先尝试学习神经网络）

tf.layers.dense()创建一个完全连接的图层。

units:2定义图层的输出形状。在这种情况下，矢量具有两个值。

任何非第一层都可以忽略

inputShape: [3]，因为它可以由前一层推断并定义输入张量的形状

activation: 'sigmoid'是激活函数，它应用于图层的返回值，并且高度依赖于您要解决的问题。

.compile()使用给定选项编译网络，并且也可以自定义

xs和ys是培训数据集。注意：它们有一个额外的维度来表示多个x-y对，因此它们可以批量传递给训练函数。

.fit()是训练方法并训练网络的内部权重。注意：这是一个异步函数，因此您必须等到它完成后才能使用该模型。

xPredict是测试数据，也是一个高于网络返回形状的维度。

.predict()根据给定的输入预测网络的输出。

.print()在控制台中输出张量。（如果它太大，就会被裁剪掉）

我强烈建议您在尝试实施神经网络之前先了解神经网络（通过复制），因为它们会变得非常复杂和令人困惑。然后你可以阅读文档，看看有什么可能。

试图学习tensorflow.js，但需要一个更简单的例子，如brain.js

1 个答案: