Tensorflow.js tf.LayersModel 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。

tf.LayersModel 类的 .fit( ) 方法用于为固定数量的 epoch（数据集上的迭代）训练模型。

句法：

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：
  1. batchSize：它定义将通过训练传播的样本数量。
  2. epochs：它定义了对训练数据数组的迭代。
  3. 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。
  4. 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()。
  5. validationSplit：它使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。
  6. validationData：用于在最终模型之间进行选择时对最终模型进行估计。
  7. shuffle：这个值定义了每个 epoch 之前数据的 shuffle。当stepsPerEpoch 不为null 时，它不起作用。
  8. 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。
  9. sampleWeight：它是一个权重数组，适用于每个样本的模型损失。
  10. 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。
  11. stepsPerEpoch：它在声明一个 epoch 完成并开始下一个 epoch 之前定义了一批样本。如果未确定，则等于 1。
  12. validationSteps：如果指定了stepsPerEpoch ，则相关。停止前要验证的总步骤数。
  13. 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，它会产生每个批次。 epoch，如果值是这个，它会产生每个 epoch。任何数字，如果该值是任何数字，则产生每个数字毫秒。 never ，如果值是这个，它永远不会产生。

回报：它回报了历史的承诺。

示例 1：

Javascript

// Importing the tensorflow.js library
import * as tf from "@tensorflow/tfjs"
  
// Defining model
const mymodel = tf.sequential({
     layers: [tf.layers.dense({units: 2, inputShape: [6]})]
});
  
// Compiling the above model
mymodel.compile({optimizer: 'sgd', loss: 'meanSquaredError'});
  
// Using for loop
for (let i = 0; i < 4; i++) {
     
  // Calling fit() method
  const his = await mymodel.fit(tf.zeros([6, 6]), tf.ones([6, 2]), {
       batchSize: 5,
       epochs: 4
   });
    
    // Printing output
    console.log(his.history.loss[1]);
}

输出：

0.9574100375175476
0.8151942491531372
0.694103479385376
0.5909997820854187

示例 2：

Javascript

// Importing the tensorflow.js library
import * as tf from "@tensorflow/tfjs"
  
// Defining model
const mymodel = tf.sequential({
     layers: [tf.layers.dense({units: 2, inputShape: [6], 
                               activation : "sigmoid"})]});
  
// Compiling the above model
mymodel.compile({optimizer: 'sgd', loss: 'meanSquaredError'});   
  
// Calling fit() method
 const his = await mymodel.fit(tf.truncatedNormal([6, 6]), 
                             tf.randomNormal([6, 2]), { batchSize: 5,
                             epochs: 4, validationSplit: 0.2, 
                             shuffle: true, initialEpoch: 2, 
                             stepsPerEpoch: 1, validationSteps: 2});
    
// Printing output
console.log(JSON.stringify(his.history));

输出：

{"val_loss":[0.35800713300704956,0.35819053649902344],
"loss":[0.633269190788269,0.632409930229187]}

参考： https://js.tensorflow.org/api/latest/#tf.LayersModel.fit