forked from csxiaoyaojianxian/JavaScriptStudy
-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathscript.js
More file actions
73 lines (67 loc) · 2.63 KB
/
script.js
File metadata and controls
73 lines (67 loc) · 2.63 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
/*
* @Author: victorsun
* @Date: 2019-12-04 20:15:29
* @LastEditors: victorsun - csxiaoyao
* @LastEditTime: 2020-03-22 00:25:23
* @Description: [email protected]
*/
import * as tf from '@tensorflow/tfjs';
import * as tfvis from '@tensorflow/tfjs-vis';
import { getIrisData, IRIS_CLASSES } from './data';
/**
* IRIS 训练集和验证集
* 多分类问题
* 鸢尾花案例，softmax 概率和为1
*/
window.onload = async () => {
// 15%数据作为验证集 xTrain训练集输入特征，yTrain训练集标签(输出结果)，xTest验证集输入，yTest验证集输出
const [xTrain, yTrain, xTest, yTest] = getIrisData(0.15);
// xTrain.print(); // [[x,x,x,x],[...],...] 花萼花瓣长度宽度
// yTrain.print(); // [[0,0,1],[1,0,0],...] 三种花的概率
// xTest.print(); // 同 xTrain
// yTest.print(); // 同 yTrain
// console.log(IRIS_CLASSES);
// 1. 初始化神经网络模型
const model = tf.sequential();
// 2. 添加层
// 隐藏层
model.add(tf.layers.dense({
units: 10, // 神经元个数，本案例比较复杂
inputShape: [xTrain.shape[1]], // 特征，花萼花瓣长宽，4，xTrain.shape[1]==4
activation: 'sigmoid' // 激活函数 sigmoid 0-1
}));
// !!! softmax
model.add(tf.layers.dense({
units: 3, // 输出为3个概率值，设为3
activation: 'softmax' // 三个输出值和为1 【核心】
}));
// 3. 设置交叉熵损失函数、优化器、准确度
// 交叉熵损失函数是log对数损失函数的多分类版本
model.compile({
loss: 'categoricalCrossentropy', // 交叉熵损失函数
optimizer: tf.train.adam(0.1), // 优化器
metrics: ['accuracy'] // 准确度
});
// 4. 训练
await model.fit(xTrain, yTrain, {
epochs: 100, // 轮
validationData: [xTest, yTest], // 验证集
callbacks: tfvis.show.fitCallbacks( // 可视化
{ name: '训练效果' },
['loss', 'val_loss', 'acc', 'val_acc'], // 损失、验证集损失、准确度、验证集准确度
{ callbacks: ['onEpochEnd'] } // 确定界面，减少训练过程中的默认界面
)
});
// 5. 预测
window.predict = (form) => {
const input = tf.tensor([[
form.a.value * 1,
form.b.value * 1,
form.c.value * 1,
form.d.value * 1,
]]);
const pred = model.predict(input);
// pred.argMax(1) 输出第二维的3个概率值中的最大值（从0开始）[[x,x,x],[],...]
alert(`预测结果：${IRIS_CLASSES[pred.argMax(1).dataSync(0)]}`);
};
};