Tensorflow.js 中的 tf.model() 函数

Tensorflow.js 是 Google 基于 JavaScript 开发的深度学习框架，它提供了一项核心功能，即使用高阶 API 创建和训练机器学习模型。其中，tf.model() 函数是其重要组成部分之一，用于创建模型对象。

什么是模型对象？

在 Tensorflow.js 中，模型对象是一个包含一系列层（layers）的抽象对象。理解模型对象，有助于更好地理解和使用这个深度学习框架。

使用 tf.model() 函数创建模型

在 Tensorflow.js 中，使用 tf.model() 函数可以创建 Sequential（顺序模型）或者 Functional（函数式模型）类型的模型。首先，import Tensorflow.js 库。

import * as tf from '@tensorflow/tfjs';

创建 Sequential 顺序模型

Sequential 模型是简单的模型类型，层按照顺序依次排列。

const model = tf.sequential();

我们可以继续添加层，例如：

model.add(tf.layers.conv2d({ filters: 32, kernelSize: 3, activation: 'relu', inputShape: [28, 28, 1] }));
model.add(tf.layers.flatten());
model.add(tf.layers.dense({ units: 10, activation: 'softmax' }));

这段代码中，我们添加了一个 2D 卷积层（conv2d）,一个 Flatten 层和一个全链接层（dense）。其中，Flatten 层是将 2D 的输出拉成 1D 向量，输入输出的 shape 分别为 [None, 26, 26, 32] 和 [None, 21632]。全链接层是 隐藏层，输入输出 shape 分别为 [None, 21632] 和 [None, 10]， activation 参数为 softmax。

创建 Functional 函数式模型

Functional 模型是由多个输入的层构成的模型，允许创建具有多个输出或者指向它们本身的多个输出的模型。

这里介绍一个常见的情况，创建一个具有两个输入的模型。

const input1 = tf.input({ shape: [4] });
const input2 = tf.input({ shape: [5] });
const dense1 = tf.layers.dense({ units: 4, activation: 'relu' }).apply(input1);
const dense2 = tf.layers.dense({ units: 5, activation: 'relu' }).apply(input2);
const concat = tf.layers.concat().apply([dense1, dense2]);
const output = tf.layers.dense({ units: 1 }).apply(concat);
const model = tf.model({ inputs: [input1, input2], outputs: output });

这里，我们先分别声明两个输入对象（input1, input2）和两个 Dense 层（dense1, dense2）。在这之后，我们使用 tf.layers.concat() 函数将两路输入合并，然后在这个合并的输出上套用一个全连接层。创建模型时，我们需要通过传递 inputs 和 outputs 对象，指定模型的输入输出。

总结

使用 Tensorflow.js 的 tf.model() 函数，可以创建 Sequential 和 Functional 两种模型。Sequential 模型简单且具有良好的运行效率，而 Functional 模型可以处理具有多输入和输出层的模型。这两种模型都可以使用高层次的API（例如 tfd）进行训练和评估，帮助程序员更好地实现深度学习。