Tensorflow.js tf.layers.conv1d()函数
Tensorflow.js 是 Google 开发的一个 JavaScript 库,用于在浏览器或 Node.js 中运行和训练机器学习模型。 Tensorflow.js tf.layers.conv1d()函数用于创建卷积层。它用于对输入数据应用一维卷积。卷积层用于制作过滤器,用于过滤所需输出中的输入数据。
句法:
tf.layers.conv1d(args);
参数:此函数接受以下参数:
- args:这是包含以下值的对象类型:
- 过滤器:它是定义输出张量维度的数字。它是卷积中的过滤器数量。
- kernelSize:它定义了卷积层的卷积窗口,这意味着输入数据的子集一次获取。
- strides:它定义了卷积层在每个维度上移动输入数据的单位。
- padding:它定义了对卷积层的填充,这意味着在处理过程中添加到输入数据的数据量。它的值可以是“有效”、“相同”和“因果”。
- dataFormat:它定义了输入数据的数据格式,数据在'channelsFirst'或'channelsLast'中。
- dilationRate:用于对每个维度的卷积进行扩张。它用于定义内核中值之间的空间。
- 激活:它定义了用于输入数据的激活函数。
- useBias:用于决定是否使用偏置向量。
- kernelInitializer:它是卷积层中内核的初始权重。它定义了设置卷积层初始随机权重的方法。
- biasInitializer:卷积层偏置向量的初始权重。
- kernelConstraint:是对卷积层核权重的约束,用于提高效率。
- biasConstraint:是卷积层偏置向量提高效率的约束。
- kernelRegularizer:它是正则化函数,应用于内核权重矩阵以对其进行正则化。
- biasRegularizer:它是应用于偏置向量以对其进行正则化的正则化函数。
- activityRegularizer:它是用于正则化目的的激活函数。
- inputShape:声明该层接受该形状的输入层。它仅用于输入层。
- batchInputShape:定义输入层的批大小。它用于输入层。
- batchSize:作为输入层制作过程中batchInputShape的补充。
- dtype:它定义了这一层的数据类型。 'float32' 是图层的默认值。
- trainable:用于使层的函数可训练与否。
- weights:这是该层的初始权重值。
- inputDtype:用于决定输入层的数据类型。
返回: Conv1D
示例 1:在此示例中,我们将创建顺序模型并使用过滤器、内核大小、输入形状和激活向其添加一维卷积层。最后我们用层编译我们的模型并查看它的摘要。
Javascript
import * as tf from "@tensorflow/tfjs"
// Creating model
const geek_Model = tf.sequential();
// Adding inputLayer layer
const geek_config = {inputShape: [7,4]};
const geek_layer1 = tf.layers.inputLayer(geek_config);
geek_Model.add(geek_layer1);
// Adding convolution layer
const geek_config2 = {
filters:10,kernelSize:7
,inputShape:[28,1],
activation: 'relu'};
const geek_layer2 = tf.layers.conv1d(geek_config2);
//console.log(y.shape);
geek_Model.add(geek_layer2);
// Adding dense layer
const geek_config3 = {
units:7,
activation: 'softmax'
};
const geek_layer3 = tf.layers.dense(geek_config3);
geek_Model.add(geek_layer3)
// Compiling our model
const geek_config4 = {
optimizer: 'sgd',
loss: 'meanSquaredError'
};
geek_Model.compile(geek_config4);
// Printing our summary
geek_Model.summary()
Javascript
import * as tf from "@tensorflow/tfjs"
// Input Layer for model
const geek_config = {shape:[3,4]};
const geek_InputL = tf.input(geek_config);
console.log(`Input layer shape : ${geek_InputL.shape}`);
// Convolution For the model
const geek_config2 = {
filters:2,kernelSize:2
,inputShape:[3,4],
activation: 'sigmoid'};
const geek_convLayer = tf.layers.conv1d(geek_config2).apply(geek_InputL);
console.log(`Convolution layer shape : ${geek_convLayer.shape}`);
// Adding layer to the model
const geek_config3 = {inputs:geek_InputL, outputs:geek_convLayer};
const model = tf.model(geek_config3);
// Compiling the model
const geek_config4 = {optimizer:'sgd',loss:'meanSquaredError'};
model.compile(geek_config4);
// Predicting the value for the input
const geek_Test = tf.randomUniform([3,3,4]);
model.predict(geek_Test).print();
输出:
_________________________________________________________________
Layer (type) Output shape Param #
=================================================================
input1 (InputLayer) [null,7,4] 0
_________________________________________________________________
conv1d_Conv1D1 (Conv1D) [null,1,10] 290
_________________________________________________________________
dense_Dense1 (Dense) [null,1,7] 77
=================================================================
Total params: 367
Trainable params: 367
Non-trainable params: 0
_________________________________________________________________
示例 2:在此示例中,我们将看到卷积层如何根据配置过滤输入数据。在这里,我们使用 inputShape 、filter 、 kernelSize 、activation 制作卷积层并用它编译模型。过滤卷积层后,我们对输入数据使用预测函数。
Javascript
import * as tf from "@tensorflow/tfjs"
// Input Layer for model
const geek_config = {shape:[3,4]};
const geek_InputL = tf.input(geek_config);
console.log(`Input layer shape : ${geek_InputL.shape}`);
// Convolution For the model
const geek_config2 = {
filters:2,kernelSize:2
,inputShape:[3,4],
activation: 'sigmoid'};
const geek_convLayer = tf.layers.conv1d(geek_config2).apply(geek_InputL);
console.log(`Convolution layer shape : ${geek_convLayer.shape}`);
// Adding layer to the model
const geek_config3 = {inputs:geek_InputL, outputs:geek_convLayer};
const model = tf.model(geek_config3);
// Compiling the model
const geek_config4 = {optimizer:'sgd',loss:'meanSquaredError'};
model.compile(geek_config4);
// Predicting the value for the input
const geek_Test = tf.randomUniform([3,3,4]);
model.predict(geek_Test).print();
输出:
Input layer shape : ,3,4
Convolution layer shape : ,2,2
Tensor
[[[0.5468831, 0.4990641],
[0.3059803, 0.4743758]],
[[0.4450175, 0.4848864],
[0.3678558, 0.4276305]],
[[0.4802476, 0.5687023],
[0.4083693, 0.4854257]]]
参考: https://js.tensorflow.org/api/3.6.0/#layers.conv1d