Örnek 2 Eğitim
Eğitim Fonksiyonu
async function trainModel(model, inputs, labels, surface) {
const batchSize = 25;
const epochs = 100;
const callbacks = tfvis.show.fitCallbacks(surface, ['loss'], {callbacks:['onEpochEnd']})
return await model.fit(inputs, labels,
{batchSize, epochs, shuffle:true, callbacks:callbacks}
);
}
epochs , modelin kaç yineleme (döngü) yapacağını tanımlar.
model.fit , döngüleri çalıştıran işlevdir.
geri aramalar , model grafikleri yeniden çizmek istediğinde çağrılacak geri arama işlevini tanımlar.
Modeli Test Edin
Bir model eğitildiğinde, onu test etmek ve değerlendirmek önemlidir.
Bunu, modelin bir dizi farklı girdi için ne öngördüğünü inceleyerek yapıyoruz.
Ancak, bunu yapmadan önce verileri normalleştirmemiz gerekiyor:
A Normalleştirmek
let unX = tf.linspace(0, 1, 100);
let unY = model.predict(unX.reshape([100, 1]));
const unNormunX = unX.mul(inputMax.sub(inputMin)).add(inputMin);
const unNormunY = unY.mul(labelMax.sub(labelMin)).add(labelMin);
unX = unNormunX.dataSync();
unY = unNormunY.dataSync();
O zaman sonuca bakabiliriz:
Sonucu Çiz
const predicted = Array.from(unX).map((val, i) => {
return {x: val, y: unY[i]}
});
// Plot the Result
tfPlot([values, predicted], surface1)