前言：
现时我们对“js自动计算”大体比较重视，朋友们都需要知道一些“js自动计算”的相关知识。那么小编在网摘上搜集了一些关于“js自动计算””的相关知识，希望姐妹们能喜欢，我们一起来了解一下吧！本教程由深度学习中文社区(dl.tustcs.com)持续发布与更新, 本系列其余教程地址见文章末尾.
Tensorflow.js 是一个基于 deeplearn.js 构建的库，可直接在浏览器环境中创建深度学习模型。使用它可以在浏览器上创建 CNNs，RNNs 等，并使用客户端的 GPU 处理能力训练这些模型。因此，训练 NN 并不一定需要服务器级别的 GPU。本教程首先解释 TensorFlow.js 的基本构建块及其操作。然后，我们描述了如何创建一些复杂的模型。
我在 Observable 上创建了一个交互式编码会话，可用于代码演示。此外，我创建了许多迷你项目，包括简单分类，样式转换，姿势评估和 pix2pix 翻译。
入门
由于 TensorFlow.js 在浏览器上运行，您只需将以下脚本包含在 html 文件的 header 中即可：
以上会自动加载最新版本的 TensorFlow.js。
张量（Tensor）
如果您熟悉 TensorFlow 等深度学习平台，您应该能够认识到张量是 Operators 使用的 n 维数组。因此，它们代表了任何深度学习应用程序的构建块。让我们创建一个张量：
1 const tensor = tf.scalar(2);
以上创建了一个张量。我们还可以将数组转换为张量：
1 const input = tf.tensor([2,2]);
这会创建一个恒定的数组张量 [2,2]。换句话说，我们通过应用张量函数将一维数组转换为张量。我们可以使用 input.shape 获取张量大小。
1 const tensor_s = tf.tensor([2,2]).shape;
我们还可以创建具有特定大小的张量：
1 const input = tf.zeros([2,2]);
操作（Operators）
为了使用张量，我们需要创建操作。如下所示，可以获取到张量的平方：
1 const a = tf.tensor([1,2,3]);
2 a.square().print();
TensorFlow.js 还允许链接操作。例如，要评估我们使用的张量的二次幂：
1 const x = tf.tensor([1,2,3]);
2 const x2 = x.square().square();
Tensor Disposal
通常我们会生成大量的中间张量。例如，在前面的例子中，我们不需要生成 const x。为了做到这一点，我们可以调用 dispose()：
1 const x = tf.tensor([1,2,3]);
2 x.dispose();
请注意，我们在以后的操作中不再使用张量 x。现在，对于每个张量来说，这可能有点不方便。
TensorFlow.js 提供了一个特殊的操作 tidy() 来自动处理中间张量：
1 function f(x)
2 {
3 return tf.tidy(()=>{
4 const y = x.square();
5 const z = x.mul(y);
6 return z
7 });
8 }
请注意，张量 y 的值将被处理，因为我们在评估 z 的值之后不再需要它。
优化问题
在这里，我们将学习如何解决优化问题。给定函数 f（x），基于 x = a 评估最小化 f（x）。为此，我们需要一个优化器。优化器是一种通过渐变来最小化函数的算法。文献中有许多优化器，如 SGD，Adam 等......这些优化器的速度和准确性各不相同。Tensorflowjs 支持最重要的优化器。
我们将举一个简单的例子：f（x）=x⁶+2x⁴+3x²+ x + 1。函数图如下所示。我们看到函数的最小值在区间内 [-0.5,0] 。我们将使用优化器来查找确切的值。
首先，我们定义需要最小化的函数
1 function f(x)
2 {
3 const f1 = x.pow(tf.scalar(6, 'int32')) //x^6
4 const f2 = x.pow(tf.scalar(4, 'int32')).mul(tf.scalar(2)) //2x^4
5 const f3 = x.pow(tf.scalar(2, 'int32')).mul(tf.scalar(3)) //3x^2
6 const f4 = tf.scalar(1) //1
7 return f1.add(f2).add(f3).add(x).add(f4)
8 }
现在我们可以迭代该函数以找到最小值。我们将以 a = 2 的初始值开始。学习速率定义了我们达到最小值的速度。我们将使用 Adam 优化器
1 function minimize(epochs , lr)
2 {
3 let y = tf.variable(tf.scalar(2)) //initial value
4 const optim = tf.train.adam(lr); //gadient descent algorithm
5 for(let i = 0 ; i < epochs ; i++) //start minimiziation
6 optim.minimize(() => f(y));
7 return y
8 }
当学习速率为 0.9 时，迭代 200 次之后找到最小值 -0.16092407703399658。
一个简单的神经网络
现在我们学习如何创建一个神经网络来学习 XOR，这是一个非线性操作。代码类似于 keras 实现。我们首先创建了两个输入和一个输出的训练集。
1 xs = tf.tensor2d([[0,0],[0,1],[1,0],[1,1]])
2 ys = tf.tensor2d([[0],[1],[1],[0]])
然后我们创建两个具有不同非线性激活函数的密集层。我们使用具有交叉熵损失的随机梯度下降。学习速率是 0.1
1 function createModel()
2 {
3 var model = tf.sequential()
4 model.add(tf.layers.dense({units:8, inputShape:2, activation: 'tanh'}))
5 model.add(tf.layers.dense({units:1, activation: 'sigmoid'}))
6 model.compile({optimizer: 'sgd', loss: 'binaryCrossentropy', lr:0.1})
7 return model
8 }
然后我们对模型进行 5000 次迭代
1 await model.fit(xs, ys, {
2 batchSize: 1,
3 epochs: 5000
4 })
最后我们预测训练集
1 model.predict(xs).print()
输出预期应该是 [[0.0064339], [0.9836861], [0.9835356], [0.0208658]]。
CNN 模型
TensorFlow.js 使用计算图来自动区分。我们只需要创建图层，优化器并编译模型。让我们创建一个顺序模型：
1 model = tf.sequential();
现在我们可以为模型添加不同的图层。让我们添加带输入的第一个卷积层 [28,28,1]
1 const convlayer = tf.layers.conv2d({
2 inputShape: [28,28,1],
3 kernelSize: 5,
4 filters: 8,
5 strides: 1,
6 activation: 'relu',
7 kernelInitializer: 'VarianceScaling'
8 });
在这里，我们创建了一个 convlayer 接受输入图层为 [28,28,1]。输入将是大小为 28 x 28 的灰色图像。然后我们对其进行初始化。之后，我们应用一个激活函数，它基本上取张量中的负值并用零替换它们。现在我们可以将此 convlayer 添加到模型中：
1 model.add(convlayer);
使用 Tensorflow.js 我们不需要为下一层指定输入大小，因为在编译模型后它将自动评估。我们还可以添加最大池，密集层等。这是一个简单的模型：
1 const model = tf.sequential();
2
3 //create the first layer
4 model.add(tf.layers.conv2d({
5 inputShape: [28, 28, 1],
6 kernelSize: 5,
7 filters: 8,
8 strides: 1,
9 activation: 'relu',
10 kernelInitializer: 'VarianceScaling'
11 }));
12
13 //create a max pooling layer
14 model.add(tf.layers.maxPooling2d({
15 poolSize: [2, 2],
16 strides: [2, 2]
17 }));
18
19 //create the second conv layer
20 model.add(tf.layers.conv2d({
21 kernelSize: 5,
22 filters: 16,
23 strides: 1,
24 activation: 'relu',
25 kernelInitializer: 'VarianceScaling'
26 }));
27
28 //create a max pooling layer
29 model.add(tf.layers.maxPooling2d({
30 poolSize: [2, 2],
31 strides: [2, 2]
32 }));
33
34 //flatten the layers to use it for the dense layers
35 model.add(tf.layers.flatten());
36
37 //dense layer with output 10 units
38 model.add(tf.layers.dense({
39 units: 10,
40 kernelInitializer: 'VarianceScaling',
41 activation: 'softmax'
42 }));
为了检查输出张量，我们可以为任何层应用张量。但是这里的输入需要的是一个形状为 [BATCH_SIZE,28,28,1]，其中 BATCH_SIZE 表示我们一次应用于模型的数据集元素的数量。以下是如何评估卷积层的示例：
1 const convlayer = tf.layers.conv2d({
2 inputShape: [28, 28, 1],
3 kernelSize: 5,
4 filters: 8,
5 strides: 1,
6 activation: 'relu',
7 kernelInitializer: 'VarianceScaling'
8 });
9
10 const input = tf.zeros([1,28,28,1]);
11 const output = convlayer.apply(input);
在检查 output 张量的形状后，我们看到它的形状为 [1,24,24,8]。使用公式评估：
1 const outputSize = Math.floor((inputSize-kernelSize)/stride +1);
回到我们的模型，我们意识到我们使用的 flatten() 基本上将输入从形状 [BATCH_SIZE,a,b,c] 转换为形状 [BATCH_SIZE,axbxc]。这很重要，因为在密集层中我们不能应用 2d 数组。最后，我们使用了带有输出单元的密集层，10 代表了我们识别系统中所需的类别。实际上，该模型用于识别所谓的 MNIST 数据集中的手写数字。
优化和编译
创建模型后，我们需要一种优化参数的方法。像 SGD 和 Adam 优化器都有不同的方法。如下所示创建优化器：
1 const LEARNING_RATE = 0.0001;
2 const optimizer = tf.train.adam(LEARNING_RATE);
这将使用指定的学习速率创建 Adam 优化器。现在，我们已准备好编译模型
1 model.compile({
2 optimizer: optimizer,
3 loss: 'categoricalCrossentropy',
4 metrics: ['accuracy'],
5 });
在这里，我们创建了使用 Adam 来优化损失函数的模型，该函数评估预测输出和真实标签的交叉熵。
训练
在编译模型之后，我们准备在数据集上训练模型。我们需要使用 fit() 函数：
1 const batch = tf.zeros([BATCH_SIZE,28,28,1]);
2 const labels = tf.zeros([BATCH_SIZE, NUM_CLASSES]);
3
4 const h = await model.fit(batch, labels,
5 {
6 batchSize: BATCH_SIZE,
7 validationData: validationData,
8 epochs: BATCH_EPOCHs
9 });
10
请注意，我们正在为一组训练集提供 fit 函数。fit 函数的第二个变量表示模型的真实标签。最后，我们有配置参数，如 batchSize 和 epochs。请注意，它 epochs 表示我们迭代当前批次而不是整个数据集的次数。因此，我们可以将该代码包装在 for 循环中，该循环遍历训练集的所有批次。
注意我们使用了特殊的关键字 await，它阻塞并等待函数执行完成。这就像运行另一个线程，主线程正在等待拟合函数完成执行。
热编码
通常给定的标签是代表该类的数字。例如，假设我们有两个类，一个橙色类和一个苹果类。然后我们将给出橙色类标签 0 和苹果类标签 1。但是，我们的网络接受一个大小为 [BATCH_SIZE,NUM_CLASSES] 的张量。因此，我们需要使用热编码：
1 const output = tf.oneHot(tf.tensor1d([0,1,0]), 2);
2
3 //the output will be [[1, 0],[0, 1],[1, 0]]
4
5
因此，我们将 1d 张量标签转换为张量形状 [BATCH_SIZE,NUM_CLASSES]。
损失和准确性
为了检查我们模型的性能，我们需要知道损失和准确性。为此，我们需要使用历史模型获取结果。
1 //h is the output of the fitting module
2 const loss = h.history.loss[0];
3 const accuracy = h.history.acc[0];
请注意，我们正在评估 validationData 的损失性和准确性。
预测
假设我们完成了对模型的训练，并且给出了良好的损失和准确性。是时候预测看不见的数据元素的结果了。假设我们的浏览器中有一个图像，或者我们直接从我们的网络摄像头拍摄，那么我们就可以使用我们训练有素的模型来预测它的类。首先，我们需要将图像转换为张量
1 //retrieve the canvas
2 const canvas = document.getElementById("myCanvas");
3 const ctx = canvas.getContext("2d");
4
5 //get image data
6 imageData = ctx.getImageData(0, 0, 28, 28);
7
8 //convert to tensor
9 const tensor = tf.fromPixels(imageData);
在这里我们创建了一个 canvas 并从中获取 imageData，然后我们转换为张量。现在张量大小为 [28,28,3] 但模型采用 4 维向量。因此，利用 expandDims 我们可以为张量添加额外的维度。
1 const eTensor = tensor.expandDims(0);
因此，输出张量大小为 [1,28,28,3] 因为我们在索引 0 处添加了维度。现在我们使用 predict() 进行预测。
1 model.predict(eTensor);
函数 predict 将返回我们最后一层的值。
转移学习
在前面的部分中，我们必须从头开始训练我们的模型。然而，这是一项昂贵的操作，因为它需要更多的训练迭代。因此，我们使用称为 mobilenet 的预训练模型。它是一款轻巧的 CNN，经过优化可在移动应用中运行。Mobilenet 受过 ImageNet 训练。
要加载模型，如下所示：
1 const mobilenet = await tf.loadModel(
2 '');
我们可以使用输入，输出来检查模型的结构：
1 //The input size is [null, 224, 224, 3]
2 const input_s = mobilenet.inputs[0].shape;
3
4 //The output size is [null, 1000]
5 const output_s = mobilenet.outputs[0].shape;
6
因此，我们需要大小为 [1,224,224,3] 的图像，输出将是一个大小为 [1,1000] 的张量，它保存 ImageNet 数据集中每个类的概率。
为了简便起见，我们将采取零值数组，并试图预测出 1,000 种类别。
1 var pred = mobilenet.predict(tf.zeros([1, 224, 224, 3]));
2 pred.argMax().print();
运行代码后，我得到 class = 21：
现在我们需要检查模型的内容。为此，我们可以获得模型图层和名称：
1 //The number of layers in the model '88'
2 const len = mobilenet.layers.length;
3
4 //this outputs the name of the 3rd layer 'conv1_relu'
5 const name3 = mobilenet.layers[3].name;
当基于另一个数据集再次训练具有 88 个图层的模型时，是非常昂贵的。因此，基本的技巧是使用这个模型来评估激活（我们不会重新训练）。
假设我们需要一个模型来区分胡萝卜和黄瓜。我们将使用 mobilene tmodel 来计算我们选择的某个层的激活。然后我们使用具有输出大小为 2 的密集层来预测正确的类。因此，我们只需要训练密集层。
首先，我们需要摆脱模型的密集层。
1 const layer = mobilenet.getLayer('conv_pw_13_relu');
现在让我们更新我们的模型，让这个图层成为一个输出
1 mobilenet = tf.model({inputs: mobilenet.inputs, outputs: layer.output});
最后，我们创建了可训练模型，但我们需要知道最后一层输出形状：
1 //this outputs a layer of size [null, 7, 7, 256]
2 const layerOutput = layer.output.shape;
我们看到形状为 [null,7,7,256]，现在我们可以将它输入到我们的密集层：
1 trainableModel = tf.sequential({
2 layers: [
3 tf.layers.flatten({inputShape: [7, 7, 256]}),
4 tf.layers.dense({
5 units: 100,
6 activation: 'relu',
7 kernelInitializer: 'varianceScaling',
8 useBias: true
9 }),
10 tf.layers.dense({
11 units: 2,
12 kernelInitializer: 'varianceScaling',
13 useBias: false,
14 activation: 'softmax'
15 })
16 ]
17 });
如您所见，我们创建了一个带有 100 个神经元的密集层和带有大小为 2 的输出层。
1 const activation = mobilenet.predict(input);
2 const predictions = trainableModel.predict(activation);
我们可以使用前面的部分来使用某个优化器训练模型。
本系列教程文章地址:
本系列已发表如下教程,点击文末了解更多按钮继续阅读, 同时关注我可在第一时间获得最新教程.
