Tensorflow.js tf.LayersModel.compile()用法及代码示例

Tensorflow.js是Google开发的开源库，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。

.compile() 函数为训练和评估过程配置和制作模型。通过调用 .compile() 函数，我们为模型准备了优化器、损失和指标。 .compile() 函数将参数对象作为参数。

注意：如果在未编译的模型上调用 .fit() 或 .evaluate() 函数，则程序将抛出错误。

用法:

tf.model.compile({optimizer, loss}, metrics=[])

参数：

optimizer:它是一个强制参数。它接受 tf.train.Optimizer 的对象或优化器的字符串名称。以下是优化器的字符串名称 - “sgd”、“adam”、“adamax”、“adadelta”、“adagrad”、“rmsprop”、“momentum”。
loss:它是一个强制参数。它接受损失类型的字符串值或字符串数组。如果我们的模型有多个输出，我们可以通过传递一组损失对每个输出使用不同的损失。模型将最小化的损失值将是所有单个损失的总和。以下是损失的字符串名称——“meanSquaredError”、“meanAbsoluteError” 等。
metrics:它是一个可选参数。它接受模型在训练和测试阶段评估的指标列表。通常，我们使用metrics=[‘accuracy’]。要为 multi-output 模型的不同输出指定不同的度量，我们还可以传递字典。

返回值：由于它为训练准备模型，因此它不会返回任何内容。 (即返回类型为空)

范例1：在这个例子中，我们将创建一个简单的模型，我们将传递优化器和损失参数的值。这里我们使用优化器作为 “adam” 和损失作为 “meanSquaredError”。

Javascript


// Importing the tensorflow.js library
const tf = require("@tensorflow/tfjs");
  
// define the model
const model = tf.sequential({
    layers:[tf.layers.dense({ units:1, inputShape:[10] })],
});
  
// compile the model
// using "adam" optimizer and "meanSquaredError" loss
model.compile({ optimizer:"adam", loss:"meanSquaredError" });
  
// evaluate the model which was compiled above
// computation is done in batches of size 4
const result = model.evaluate(tf.ones([8, 10]), tf.ones([8, 1]), {
    batchSize:4,
});
  
// print the result
result.print();

输出：

Tensor
    2.6806342601776123

范例2：在这个例子中，我们将创建一个简单的模型，我们将传递优化器、损失和指标参数的值。这里我们使用优化器作为 “sgd”，损失作为 “meanAbsoluteError” 和 “accuracy” 作为指标。

Javascript


// Importing the tensorflow.js library
const tf = require("@tensorflow/tfjs");
  
// define the model
const model = tf.sequential({
    layers:[tf.layers.dense({ units:1, inputShape:[10] })],
});
  
// compile the model
// using "adam" optimizer, "meanSquaredError" loss and "accuracy" metrics
model.compile(
    { optimizer:"adam", loss:"meanSquaredError" },
    (metrics = ["accuracy"])
);
  
// evaluate the model which was compiled above
// computation is done in batches of size 4
const result = model.evaluate(tf.ones([8, 10]), tf.ones([8, 1]), {
    batchSize:4,
});
  
// print the result
result.print();

输出：

Tensor
    1.4847172498703003

范例3：在这个例子中，我们将创建一个简单的模型，我们将传递优化器、损失和指标参数的值。这里我们使用优化器作为 “sgd”，损失作为 “meanAbsoluteError” 和 “precision” 作为指标。

Javascript


// Importing the tensorflow.js library
const tf = require("@tensorflow/tfjs");
  
// define the model
const model = tf.sequential({
    layers:[tf.layers.dense({ units:1, inputShape:[10] })],
});
  
// compile the model
// using "adam" optimizer, "meanSquaredError" loss and "accuracy" metrics
model.compile(
    { optimizer:"sgd", loss:"meanAbsoluteError" },
    (metrics = ["precision"])
);
  
// evaluate the model which was compiled above
// computation is done in batches of size 4
const result = model.evaluate(tf.ones([8, 10]), tf.ones([8, 1]), {
    batchSize:4,
});
  
// print the result
result.print();

输出：

Tensor
   1.507279634475708

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

相关用法

注：本文由纯净天空筛选整理自girishthatte大神的英文原创作品 Tensorflow.js tf.LayersModel class .compile() Method。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。