Örnek 2 Modeli
Verileri Karıştır
Antrenmandan önce daima verileri karıştırın.
Bir model eğitildiğinde, veriler küçük kümelere (partiler) bölünür. Her parti daha sonra modele beslenir. Karıştırma, modelin aynı verileri tekrar almasını önlemek için önemlidir. Aynı verinin iki kez kullanılması durumunda model veriyi genelleştiremez ve doğru çıktıyı veremez. Karıştırma, her partide daha iyi veri çeşitliliği sağlar.
Örnek
tf.util.shuffle(data);
TensorFlow Tensörleri
TensorFlow'u kullanmak için giriş verilerinin tensör verilerine dönüştürülmesi gerekir:
// Map x values to Tensor inputs
const inputs = values.map(obj => obj.x);
// Map y values to Tensor labels
const labels = values.map(obj => obj.y);
// Convert inputs and labels to 2d tensors
const inputTensor = tf.tensor2d(inputs, [inputs.length, 1]);
const labelTensor = tf.tensor2d(labels, [labels.length, 1]);
Veri Normalleştirme
Veriler bir sinir ağında kullanılmadan önce normalleştirilmelidir.
Min-max kullanılarak 0 - 1 aralığı sayısal veriler için genellikle en iyisidir:
const inputMin = inputTensor.min();
const inputMax = inputTensor.max();
const labelMin = labelTensor.min();
const labelMax = labelTensor.max();
const nmInputs = inputTensor.sub(inputMin).div(inputMax.sub(inputMin));
const nmLabels = labelTensor.sub(labelMin).div(labelMax.sub(labelMin));
Tensorflow Modeli
Bir Makine Öğrenimi Modeli , girdiden çıktı üreten bir algoritmadır.
Bu örnek, bir ML Modelini tanımlamak için 3 satır kullanır :
const model = tf.sequential();
model.add(tf.layers.dense({inputShape: [1], units: 1, useBias: true}));
model.add(tf.layers.dense({units: 1, useBias: true}));
Sıralı ML Modeli
const model = tf.sequential(); Sıralı ML Modeli oluşturur .
Sıralı bir modelde, girdi doğrudan çıktıya akar. Diğer modellerde birden çok girdi ve birden çok çıktı olabilir. Sıralı, en kolay ML modelidir. Bir sonraki katmana karşılık gelen ağırlıklarla katman katman bir model oluşturmanıza olanak tanır.
TensorFlow Katmanları
model.add() , modele iki katman eklemek için kullanılır.
tf.layer.dense çoğu durumda çalışan bir katman türüdür. Girdilerini bir ağırlık matrisi ile çarpar ve sonuca bir sayı (önyargı) ekler.
Şekiller ve Birimler
inputShape: [1] çünkü 1 girişimiz var (x = odalar).
birimler: 1 ağırlık matrisinin boyutunu tanımlar: Her giriş için 1 ağırlık (x değeri).
Model Derleme
Modeli belirtilen bir optimize edici ve kayıp işleviyle derleyin:
model.compile({loss: 'meanSquaredError', optimizer:'sgd'});
Derleyici, sgd optimizer'ı kullanacak şekilde ayarlanmıştır . Kullanımı basit ve oldukça etkilidir.
ortalamaSquaredError , model tahminlerini ve gerçek değerleri karşılaştırmak için kullanmak istediğimiz fonksiyondur.