Tensorflow.js tf.train.adam()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。

亚当优化器（或自适应矩估计）是一种基于一阶和二阶矩的自适应估计的随机梯度下降方法。在处理大量数据和参数时，优化技术非常有效。有关更多详细信息，请参阅本文。

在 Tensorflow.js 中，使用了tf.train.adam()函数，该函数创建了使用 adam 算法的 tf.AdamOptimizer。

句法：

tf.train.adam (learningRate?, beta1?, beta2?, epsilon?)

参数：

• learningRate：用于 Adam 梯度下降算法的学习率。它是可选的。
• beta1：一阶矩估计的指数衰减率。它是可选的。
• beta2：二阶矩估计的指数衰减率。它是可选的。
• epsilon：数值稳定性的小常数。它是可选的。

返回值：亚当优化器。

示例 1：以 x、y 输入张量和 a、b、c 作为随机系数定义二次函数。然后我们计算预测的均方损失并将其传递给亚当优化器以最小化损失并理想地改变系数。

Javascript

// A cubic function with its coeffiecient l,m,n.
const x = tf.tensor1d([0, 1, 2, 3]);
const y = tf.tensor1d([1., 2., 5., 11.]);
 
const l = tf.scalar(Math.random()).variable();
const m = tf.scalar(Math.random()).variable();
const n = tf.scalar(Math.random()).variable();
 
// y = l * x^3 - m * x + n.
const f = x => l.mul(x.pow(3)).sub(m.mul(x)).add(n);
const loss = (pred, label) => pred.sub(label).square().mean();
 
const learningRate = 0.01;
const optimizer = tf.train.adam(learningRate);
 
// Training the model and printing the coefficients.
for (let i = 0; i < 10; i++) {
   optimizer.minimize(() => loss(f(x), y));
  console.log(
     `l: ${l.dataSync()}, m: ${m.dataSync()}, n: ${n.dataSync()}`);
}
 
// Predictions are made.
 
const preds = f(x).dataSync();
preds.forEach((pred, i) => {
   console.log(`x: ${i}, pred: ${pred}`);
});

输出：

l: 0.5212615132331848, m: 0.4882013201713562, n: 0.9879841804504395
l: 0.5113212466239929, m: 0.49809587001800537, n: 0.9783468246459961
l: 0.5014950633049011, m: 0.5077731013298035, n: 0.969675600528717
l: 0.49185076355934143, m: 0.5170749425888062, n: 0.9630305171012878
l: 0.48247095942497253, m: 0.5257879495620728, n: 0.9595866799354553
l: 0.47345229983329773, m: 0.5336435437202454, n: 0.9596782922744751
l: 0.4649032950401306, m: 0.5403363704681396, n: 0.9626657962799072
l: 0.4569399356842041, m: 0.5455683469772339, n: 0.9677067995071411
l: 0.4496782124042511, m: 0.5491118431091309, n: 0.9741682410240173
l: 0.44322386384010315, m: 0.5508641004562378, n: 0.9816395044326782
x: 0, pred: 0.9816395044326782
x: 1, pred: 0.8739992380142212
x: 2, pred: 3.4257020950317383
x: 3, pred: 11.29609203338623

示例 2：下面是我们设计一个简单模型的代码，我们通过tf.train.adam定义了一个优化器，学习率参数为 0.01，并将其传递给模型编译。

Javascript

// Importing the tensorflow.js library
import * as tf from "@tensorflow/tfjs"
 
// defining the model
const model = tf.sequential({
    layers: [tf.layers.dense({ units: 1, inputShape: [12] })],
});
   
 
// in the compilation we use tf.train.adam optimizer
  const optimizer = tf.train.adam(0.001);
model.compile({ optimizer: optimizer, loss: "meanSquaredError" },
              (metrics = ["accuracy"]));
   
// evaluate the model which was compiled above
const result = model.evaluate(tf.ones([10, 12]), tf.ones([10, 1]), {
    batchSize: 4,
});
   
// print the result
result.print();

输出：

Tensor
    1.520470142364502

参考： https://js.tensorflow.org/api/3.6.0/#train.adam