TensorFlow Js

tensorFlow.js出现于2018年，2019年发布第一个稳定版本 1.0版本，2020年5月发布2.0版本，2021年发布3.0版本

张量和操作

1. 张量（tensor）

tensorFlow.js中数据的中央单元为tf.tensor：一组形状为一维或多维数组的值。tf.tensor与多维数组非常相似。tf.tensor包含一下属性

rank：定义张量包含的维度
shape：定义数据每个维度的大小
dtype：定义张量的数据类型（默认为float32，还有bool，int32,complex64和字符串数据类型）

使用tf.tensor()方法从数组创建tf.tensor

// Create a rank-2 tensor (matrix) matrix tensor from a multidimensional array.
const a = tf.tensor([[1, 2], [3, 4]]);
console.log('shape:', a.shape);
a.print();

// Or you can create a tensor from a flat array and specify a shape.
const shape = [2, 2];
const b = tf.tensor([1, 2, 3, 4], shape);
console.log('shape:', b.shape);
b.print();

const a = tf.tensor([[1, 2], [3, 4]], [2, 2], 'int32');
console.log('shape:', a.shape);
console.log('dtype', a.dtype);
a.print();

更改张量的形状

tf.Tensor 中元素的数量是其形状大小的乘积。由于通常可以有多个具有相同大小的形状，因此将 tf.Tensor 重塑为具有相同大小的其他形状通常非常实用。这可以通过 reshape() 方法实现：

const a = tf.tensor([[1, 2], [3, 4]]);
console.log('a shape:', a.shape);
a.print();

const b = a.reshape([4, 1]);
console.log('b shape:', b.shape);
b.print();

从张量中获取值

可以使用 Tensor.array() 或 Tensor.data() 方法从 tf.Tensor 中获取值：

 const a = tf.tensor([[1, 2], [3, 4]]);
 // Returns the multi dimensional array of values.
 a.array().then(array => console.log(array));
 // Returns the flattened data that backs the tensor.
 a.data().then(data => console.log(data));

同步获取

const a = tf.tensor([[1, 2], [3, 4]]);
// Returns the multi dimensional array of values.
console.log(a.arraySync());
// Returns the flattened data that backs the tensor.
console.log(a.dataSync());

2. 运算

张量可用于存储数据，而运算则可以用于操作改数据。TensorFlow.js 还提供了可对张量执行的适用于线性代数和机器学习的多种运算

对 tf.Tensor 中的所有元素执行 x2 计算：

const x = tf.tensor([1, 2, 3, 4]);
const y = x.square();  // equivalent to tf.square(x)
y.print();

对两个 tf.Tensor 的元素执行逐元素相加：

const a = tf.tensor([1, 2, 3, 4]);
const b = tf.tensor([10, 20, 30, 40]);
const y = a.add(b);  // equivalent to tf.add(a, b)
y.print();

由于张量是不可变的，因此这些运算不会改变其值。相反，return 运算总会返回新的 tf.Tensor。

运算方法

tf.add() (加法)
tf.sub() （减法）
tf.mul() （乘法）
tf.div() （除法）

3. 内存

使用WebGL后端时，必须显示管理tf.Tensor内存（即使 tf.Tensor 超出范围也不足以释放其内存）。

要销毁 tf.Tensor 的内存，您可以使用 dispose() 方法或 tf.dispose()：

const a = tf.tensor([[1, 2], [3, 4]]);
a.dispose(); // Equivalent to tf.dispose(a)

模型

模型和层

在机器学习中，模型是一个带有可学习参数的函数，可将输入映射至输出。通过在数据上训练模型获得最佳参数。训练好的模型可以提供从输入到所需输出的准确映射。

可以通过两种方式创建机器学习模型：

使用Layers API（使用层构建模型）
使用Core API（借助低级运算，例如tf.matMul()、tf.add()等）

1、使用Layers API创建模型

Layers API模型分为：序贯模型和函数模式

序贯模型

最常见的模型是 <a href="https://js.tensorflow.org/api/0.15.1/#class:Sequential" data-md-type="link">Sequential</a> 模型，序贯模型是层的线性堆叠。您可以通过将层列表传递到 <a href="https://js.tensorflow.org/api/0.15.1/#sequential" data-md-type="link">sequential()</a> 函数来创建 Sequential 模型：

训练模型

在TensorFlow.js 中，可以通过两种方式训练机器学习模型：

使用 Layers API 与 <a href="https://js.tensorflow.org/api/latest/#tf.Model.fit" data-md-type="link">LayersModel.fit()</a> 或 <a href="https://js.tensorflow.org/api/latest/#tf.Model.fitDataset" data-md-type="link">LayersModel.fitDataset()</a>。
使用 Core API 与 <a href="https://js.tensorflow.org/api/latest/#tf.train.Optimizer.minimize" data-md-type="link">Optimizer.minimize()</a>。

简介

机器学习模型是一种具有可学习参数的函数，可将输入映射到所需输出。基于数据训练模型可以获得最佳参数。

训练模型涉及到的步骤：

获取一批次数据来训练模型
让模型做出预测
将该预测与真实值进行对比
确定每个参数的更改幅度，使模型在未来能够针对改批次数据做出更好的预测