Question

我正在阅读TensorflowJS文档。他们在示例代码中声明

  const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);

See here

我很困惑，因为他们在这里使用了二维数组。有人知道为什么吗？

为完整起见，这是完整的代码段。

 // Define a model for linear regression.
  const model = tf.sequential();
  model.add(tf.layers.dense({units: 1, inputShape: [1]}));

  // Prepare the model for training: Specify the loss and the optimizer.
  model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

  // Generate some synthetic data for training.
  const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);
  const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]);

  // Train the model using the data.
  model.fit(xs, ys).then(() => {
    // Use the model to do inference on a data point the model hasn't seen before:
    // Open the browser devtools to see the output
    model.predict(tf.tensor2d([5], [1, 1])).print();
  });

在这里使用一维数组会不会更简单，因为数组始终不会使用第二维？

const xs = tf.tensor1d([1, 2, 3, 4]);

Answer 1

特征xs张量是一个二维张量。更一般而言，特征张量比第一层的inputShape大一维。添加的维是批处理维，它指示输入形状，模型受过训练或预测的输入形状的多少个元素。

在该示例中，inputShape的大小为[1]，要素形状必须为形状[b,1]，因此是二维张量

TensorFlow.js：那两个张量相等吗？

1 个答案: