Javascript 如何使用tf.browser.fromPixels（图像）实现TensorFlow.js训练的基本示例的真/假输出？

我已经用谷歌搜索了我能想到的每个问题的版本，但就我的一生而言，我找不到一个tensorflow.js训练tf.browser.fromPixels（图像）的基本示例，结果是“是”或“否”。我能找到的所有示例都是从预先训练过的网络开始的

我已经建立了一个25x25像素图像的数据库，并将它们作为画布存储在一个变量中，如：

let data = {
    t: [canvas1, canvas2, canvas3, ... canvas3000 ....],
    f: [canvas1, canvas2, ... and so on ...]
}

我认为这样做应该是微不足道的：

data.t.forEach(canvas => {
    const xs = tf.browser.fromPixels(canvas);
    const ys = tf.tensor([1]); // output 1, since this canvas is from the `t` (true) dataset
    model.fit(xs, ys, {
      batchSize: 1,
      epochs: 1000
    });
});

data.f.forEach(canvas => {
    const xs = tf.browser.fromPixels(canvas);
    const ys = tf.tensor([0]); // output 0, since this canvas is from the `f` (false) dataset
    model.fit(xs, ys, {
      batchSize: 1,
      epochs: 1000
    });
});

model.predict(tf.browser.fromPixels(data.t[0])).print(); // -> [1]
model.predict(tf.browser.fromPixels(data.t[1])).print(); // -> [1]
model.predict(tf.browser.fromPixels(data.t[2])).print(); // -> [1]

model.predict(tf.browser.fromPixels(data.f[0])).print(); // -> [0]
model.predict(tf.browser.fromPixels(data.f[1])).print(); // -> [0]
model.predict(tf.browser.fromPixels(data.f[2])).print(); // -> [0]

但是对于TF来说，像

inputShape

和各种小细节这样的细节是新的，这使得在无法找到基本示例的情况下尝试实现这一点非常痛苦。此培训职能的有效表示形式是什么？以下是迄今为止的代码：

//想象一下，DataSet构建了一个大型数据集，如我的
//询问并调用数据变量为的callpack函数
//它唯一的论点，充满了预先分类的图像。自从我的数据库
//很多图像是本地存储的，我不能在这里给出一个例子
//这是完全可行的，但这至少让人明白了这个想法。
新数据集(
数据=>{
const model=tf.sequential（）；
model.add(
//是的，我意识到我想要一个卷积层，
//一些最大池，过滤等，但我试图开始简单
致密的({
单位：[1]，
inputShape:[25,25,3]，
数据格式：“channelsLast”，
激活：“tanh”
})
);
compile（{优化器：“sgd”，loss:“BinaryCross熵”，lr:0.1}）；
data.t.forEach（canvas=>{
const xs=tf.browser.fromPixels（画布）；
const ys=tf.tensor（[1]）；//输出1，因为这个画布是
//从't'（true）数据集
模型拟合（xs，ys{
批量大小：1，
纪元：1000
});
});
data.f.forEach（画布=>{
const xs=tf.browser.fromPixels（画布）；
const ys=tf.tensor（[0]）；//输出0，因为这个画布是
//从“f”（false）数据集
模型拟合（xs，ys{
批量大小：1，
纪元：1000
});
});
model.predict（tf.browser.fromPixels（data.t[0]））.print（）；/->[1]
model.predict（tf.browser.fromPixels（data.t[1]））.print（）；/->[1]
model.predict（tf.browser.fromPixels（data.t[2]））.print（）；/->[1]
model.predict（tf.browser.fromPixels（data.f[0]））.print（）；/->[0]
model.predict（tf.browser.fromPixels（data.f[1]））.print（）；/->[0]
model.predict（tf.browser.fromPixels（data.f[2]））.print（）；/->[0]
},
{canvas:true}
);
您的模型只有一个图层。你需要更多的图层。
有很多教程，你可以按照建立一个分类器来区分两个或更多类的图像。本教程使用CNN发布在tensorflow的官方网站上

此外，您可以看到如何使用完全连接的神经网络来构建分类器，尽管精度可能不如CNN模型