Tensorflow.js tf.sequential()函数

当您要创建一个没有多个输入和输出的模型并且将逐层开发时，我们将使用深度学习的顺序模型。基本上有两种类型的模型功能和顺序模型。所以在这篇文章中，我们将在 Tensorflow.js 中看到带有 tf.sequential() 的 Sequential 模型。

tf.sequential()函数创建一个模型，其中一层的一个输出是下一层的输入。简单来说，我们可以说它是一个没有分支和跳过的层的线性堆栈。

句法：

tf.sequential( layers, name )

参数：

• 层：这是我们要添加到模型中的层的列表。
• 名称：模型的名称。

示例 1：在此示例中，我们将创建一个具有 2 个密集层的输入形状 3 的序列模型，并使用该模型进行一些预测。

在 inputShape :[null,3] 中，第一个参数是未确定的批量维度，第二个参数是模型最后一层的输出大小。您可以通过 inputShape : [null, 3] 或 inputShape : [3]

Javascript

// Import Tensorflow.js
import * as tf from "@tensorflow/tfjs"
  
// Create model tf.sequential() method
// Here you need to specify the input 
// shape for first layer manually and
// for the second layer it will 
// automatilly update
var model = tf.sequential({ 
    layers: [tf.layers.dense({units:1,inputShape:[3]}),
    tf.layers.dense({units:4})] 
});
        
// Prediction with model
console.log('Lets Predict Something:');
model.predict(tf.ones([1,3])).print();

输出：

Lets Predict Something:
Tensor
    [[-1.1379941, 0.945751, -0.1970642, -0.5935861],]

示例 2：在此示例中，我们将创建一个具有 2 个输入形状为 16 的密集层的模型，使用 model.add()函数将密集层添加到模型中。

Javascript

// Import Tensorflow.js
import * as tf from "@tensorflow/tfjs"
  
// Create sequantial model
var model = tf.sequential();
  
// Add dense layer using model.add() 
model.add(tf.layers.dense({units:8, inputShape: [16]}));
  
model.add(tf.layers.dense({units:4}));
  
// Predict something
console.log('Lets predict something:');
model.predict(tf.ones([8,16])).print();

Output :
Lets predict something:
Tensor
   [[0.9305074, -0.7196146, 0.5809593, -0.08824],
    [0.9305074, -0.7196146, 0.5809593, -0.08824],
    [0.9305074, -0.7196146, 0.5809593, -0.08824],
    [0.9305074, -0.7196146, 0.5809593, -0.08824],
    [0.9305074, -0.7196146, 0.5809593, -0.08824],
    [0.9305074, -0.7196146, 0.5809593, -0.08824],
    [0.9305074, -0.7196146, 0.5809593, -0.08824],
    [0.9305074, -0.7196146, 0.5809593, -0.08824]]

参考资料： https://js.tensorflow.org/api/latest/#sequential