Tensorflow.js tf.Sequential 类 .fit() 方法

Tensorflow.js 是谷歌开发的一个开源库，用于在浏览器或节点环境中运行机器学习模型和深度学习神经网络。

Tensorflow.jstf.Sequential 类的 .fit() 方法用于训练模型以固定数量的 epoch（数据集上的迭代）。

句法：

model.fit( x, y, args?);

参数：此方法接受以下参数：

• x：包含所有输入数据的是 tf.Tensor。
• y：包含所有输出数据的是 tf.Tensor。
• args：对象类型，变量如下：
  • batchSize：它定义将通过训练传播的样本数量。
  • epochs：它定义了训练数据数组的迭代。
  • 详细：它有助于显示每个时期的进度。
    如果值为 0 – 这意味着在 fit() 调用期间没有打印消息。如果值为 1 - 这意味着在 Node-js 中，它会打印进度条。在浏览器中它没有显示任何操作。值 1 是默认值。 2 – 值 2 尚未实现。
  • 回调：它定义了在训练期间要调用的回调列表。变量可以有一个或多个回调 onTrainBegin()、onTrainEnd()、onEpochBegin()、onEpochEnd()、onBatchBegin()、onBatchEnd()、onYield()。
  • validationSplit：用户可以轻松地将训练数据集拆分为训练和验证。
    例如：如果它的值是validation-Split = 0.5，这意味着在洗牌之前使用最后50％的数据进行验证。
  • validationData：用于在最终模型之间进行选择时给出最终模型的估计值。
  • shuffle：这个值定义了每个 epoch 之前数据的 shuffle。当 stepPerEpoch 不为空时，它没有效果。
  • classWeight：用于对损失函数进行加权。告诉模型更多地关注来自代表性不足的类的样本可能很有用。
  • sampleWeight：它是应用于每个样本的模型损失的权重数组。
  • initialEpoch：它是定义开始训练的时期的值。这对于恢复以前的训练运行很有用。
  • stepsPerEpoch：它定义了在宣布一个 epoch 完成并开始下一个 epoch 之前的样本批次数。如果未确定，则等于 1。
  • validationSteps：如果指定了stepsPerEpoch，则相关。停止前要验证的步骤总数。
  • yieldEvery：它定义了将主线程让给其他任务的频率的配置。它可以是自动的，这意味着屈服以一定的帧速率发生。批次，如果值是这个，它会产生每批次。 epoch，如果值是这个，它会产生每个 epoch。任何数字，如果值是任何数字，它会产生每个数字毫秒。从不，如果值是这个，它永远不会产生。

回报：承诺<历史>

示例 1：在此示例中，我们将通过默认配置训练我们的模型。

Javascript

import * as tf from "@tensorflow/tfjs"
 
// Creating model
const model = tf.sequential( ) ;
 
// Adding layer to model
const config = {units: 1, inputShape: [1]}
const x = tf.layers.dense(config);
model.add(x);
 
// Compiling the model
const config2 = {optimizer: 'sgd', loss: 'meanSquaredError'}
model.compile(config2);
 
// Tensor for training
const xs = tf.tensor2d([1, 1.2,1.65, 1.29, 1.4, 1.7], [6, 1]);
const ys = tf.tensor2d([1, 0.07,0.17, 0.29, 0.43, 1.02], [6, 1]);
 
// Training the model
const Tm = await model.fit(xs, ys);
 
// Printing the loss after training
console.log("Loss  " + " : " + Tm.history.loss[0]);

输出：

Loss after Epoch  : 2.8400533199310303

示例 2：在此示例中，将通过一些配置来训练我们的模型。

Javascript

import * as tf from "@tensorflow/tfjs"
 
// Creating model
const Model = tf.sequential( ) ;
 
// Adding layer to model
const config = {units: 4, inputShape: [2],
                activation : "sigmoid"}
const x = tf.layers.dense(config);
Model.add(x);
 
const config2 = {units: 3,
        activation : "sigmoid"}
const y = tf.layers.dense(config2);
Model.add(y);
 
 
// Compiling the model
const sgdOpt = tf.train.sgd(0.6)
const config3 = {optimizer: 'sgd', loss: 'meanSquaredError'}
Model.compile(config3);
 
// Test Tensor
const xs = tf.tensor2d([ [0.3, 0.24],
                        [0.12, 0.73],
                        [0.9, 0.54]
                        ]);
 
const ys = tf.tensor2d([ [0.43, 0.5, 0.92],
                        [0.1, 0.39, 0.12],
                        [0.76, 0.4, 0.92]
                        ]);
 
// Training the model
for( let i = 0; i < 5; i++){
const config = { shuffle : true, epoch : 10 }
const Tm = await Model.fit(xs, ys, config);
 
// Printing the loss after training
console.log("Loss " + " : " + Tm.history.loss[0]);
 
}

输出：

Loss   : 0.1362573206424713
Loss   : 0.13617873191833496
Loss   : 0.13610021770000458
Loss   : 0.13602176308631897
Loss   : 0.13594339787960052

参考： https://js.tensorflow.org/api/3.8.0/#tf.Sequential.fit