Tensorflow.js tf.LayersModel.fitDataset()用法及代碼示例

Tensorflow.js 是 Google 開發的一個開源庫，用於在瀏覽器或節點環境中運行機器學習模型和深度學習神經網絡。 Tensorflow.js tf.LayersModel 類 .fitDataset() 方法用於使用數據集對象訓練層模型。

用法:

LayerModel.fitDataset(dataset, args);

參數：此方法接受以下參數：

dataset:它是我們訓練層模型的數據集形式的輸入值。
args:它是一個包含以下值的對象：
- batchesPerEpoch:它是每個時期的批次數。它取決於批次的大小，隨著批次大小的增加而減小。
- epochs:它是訓練模型期間訓練數據集中的總迭代次數。它應該是一個整數值。
- initialEpoch:它用於定義開始訓練的紀元值。
- validationData:它用於在最終模型之間進行選擇時給出最終模型的估計。
- verbose:它有助於顯示每個時期的進度。如果值為 0 - 表示在 fit() 調用期間沒有打印消息。如果值為 1 - 這意味著在 Node.js 中，它會打印進度條。在瀏覽器中，它不顯示任何操作。值 1 是默認值。 2 - 值 2 尚未實現。
- classWeight:它用於對損失函數進行加權。告訴模型更多地關注來自 under-represented 類的樣本會很有用。
- callbacks:它定義了在訓練期間要調用的回調列表。變量可以有一個或多個這些回調onTrainBegin()、onTrainEnd()、onEpochBegin()、onEpochEnd()、onBatchBegin()、onBatchEnd()、onYield()。
- validationBatchSize:它是定義批次大小的數字。它用於驗證批量大小。這意味著我們不能一次性放置超過這個值的所有數據集。其默認值為 32。
- validationBatches:它用於驗證批次的樣品。它用於在 epoch 的每一端繪製驗證數據以進行驗證。
- yieldEvery:它定義了將主線程交給其他任務的頻率的配置。它可以是自動的，這意味著屈服發生在一定的幀率下。批次，如果值是這個，它會產生每個批次。 epoch，如果值是這個，它產生每個紀元。任何數字，如果該值是任何數字，它會產生每個數字毫秒。從不，如果值是這個，它永遠不會產生。

返回值：承諾<曆史>

範例1：在本例中，我們將使用 CSV 數據集訓練我們的層模型。

Javascript


import * as tf from "@tensorflow/tfjs"
  
// Path for the CSV file 
const gfg_CsvFile =
'https://storage.googleapis.com/tfjs-examples/multivariate-linear-regression/data/boston-housing-train.csv';
  
async function run() {
  
    // Creating model
    const gfg_LayerModel = tf.sequential();
  
    // Adding layer to model
    const config = { units:1, inputShape:[12] }
    const gfg_layer = tf.layers.dense(config);
    gfg_LayerModel.add(gfg_layer);
  
    // Compiling the model
    const opt = tf.train.sgd(0.00000001)
    gfg_LayerModel.compile({ optimizer:opt, 
            loss:'meanSquaredError' });
  
    // Here we want to predict column tax
    const config2 = { columnConfigs:{
             rad:{ isLabel:true } } };
  
    const csvDataset = tf.data.csv(gfg_CsvFile, config2);
  
    // Creating dataset for training
    const flattenedDataset =
        csvDataset.map(({ xs, ys }) => {
            return { xs:Object.values(xs), 
                    ys:Object.values(ys) };
        }).batch(6);
  
    // Training the model
    const Tm = await gfg_LayerModel.fitDataset(
            flattenedDataset, { epochs:10 });
  
    for (let i = 0; i < 6; i++) {
        console.log(Tm.history.loss[i])
    }
}
run();

輸出：

41480.109375
28887.93359375
20162.228515625
14115.478515625
9924.9404296875
7020.56005859375

範例2：在這個例子中，我們將用數組的數據集訓練我們的層模型。

Javascript


import * as tf from "@tensorflow/tfjs"
  
async function run() {
  
    // Creating Layer model
    const gfg_LayerModel = tf.sequential();
  
    // Adding layer to model
    const config = { units:4, inputShape:[4] }
    const gfg_layer = tf.layers.dense(config);
    gfg_LayerModel.add(gfg_layer);
  
    // Compiling the model
    const config2 = { optimizer:'sgd', loss:'meanSquaredError' }
    gfg_LayerModel.compile(config2);
  
    // Creating Datasets for training
    const array1 = [
        [1, 2, 3, 4],
        [1, 4, 6, 8],
        [1, 3, 4, 7],
        [3, 4, 7, 8]
    ];
    const array2 = [1, 1, 1, 1];
    const arrData1 = tf.data.array(array1);
    const arrData2 = tf.data.array(array2);
  
    const config3 = { xs:arrData1, ys:arrData2 }
    const arrayDataset = tf.data.zip(config3)
    const ArrayDataset = arrayDataset.batch(4);
  
    // Training the model
    const Tm = await gfg_LayerModel.fitDataset(
            ArrayDataset, { epochs:4 });
  
    // Printing the loss after training
    console.log("Loss After Training Layer Model"
        + Tm.history.loss[0]);
}
run();

輸出：

Loss After Training Layer Model 4.386415958404541

參考：https://js.tensorflow.org/api/latest/#tf.LayersModel.fitDataset

相關用法

注：本文由純淨天空篩選整理自satyam00so大神的英文原創作品 Tensorflow.js tf.LayersModel class .fitDataset() Method。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。