Javascript 通用Tensorflow.js培训示例

我正在训练神经网络做一些图像处理。我用Synaptic.js成功地做到了这一点，但当我不得不使用更多层时，它的学习速度非常慢。js示例描述了一些特定的案例，很难理解它们并应用到我的案例中。有人能帮我把Synaptic.js代码转换成Tensorflow.js吗？输入是RGB像素[0..1]的3x3（或更多）内核，输出是单个RGB像素[0..1]

const layers = [27, 9, 3];
const learningRate = 0.05;
const perceptron = new Synaptic.Architect.Perceptron(layers);

// Train
sampleData.forEach(([input, output]) => {
    perceptron.activate(input);
    perceptron.propagate(learningRate, output);
});

// Get result
const result = realData.map((input) => perceptron.activate(input));

---

示例repo中有一些非常通用的TensorFlow.js示例：

对于您的情况，您需要在回购协议中执行类似iris的操作

// Define the model.
const model = tf.sequential();
// you will need to provide the size of the individual inputs below 
model.add(tf.layers.dense({units: 27, inputShape: INPUT_SHAPE})); 
model.add(tf.layers.dense({units: 9});
model.add(tf.layers.dense({units: 3});
const optimizer = tf.train.adam(0.05);
modcel.compile({
  optimizer: optimizer,
  loss: 'categoricalCrossentropy',
  metrics: ['accuracy'],
});
// Train.
const lossValues = [];
const accuracyValues = [];
// Call `model.fit` to train the model.
const history = await model.fit(input, output, {epochs: 10});
// Get result
const result = realData.map((input) => model.predict(input));

---

示例repo中有一些非常通用的TensorFlow.js示例：

对于您的情况，您需要在回购协议中执行类似iris的操作

// Define the model.
const model = tf.sequential();
// you will need to provide the size of the individual inputs below 
model.add(tf.layers.dense({units: 27, inputShape: INPUT_SHAPE})); 
model.add(tf.layers.dense({units: 9});
model.add(tf.layers.dense({units: 3});
const optimizer = tf.train.adam(0.05);
modcel.compile({
  optimizer: optimizer,
  loss: 'categoricalCrossentropy',
  metrics: ['accuracy'],
});
// Train.
const lossValues = [];
const accuracyValues = [];
// Call `model.fit` to train the model.
const history = await model.fit(input, output, {epochs: 10});
// Get result
const result = realData.map((input) => model.predict(input));

---

这看起来很简单，但我在选择张量的形状时遇到了问题。实际上，我希望我的输入是[3,3,3]（3x3像素），输出是[3]（单像素），所以输入层应该有27个神经元，输出层应该有3个神经元。我想训练它通过100个像素，所以我设置了

inputShape:[100,3,3]

并创建输入[100,3,3]和输出[100,3]张量。但它失败了，错误是它期望5D数组作为输入。最后我将输入展平为2D，它成功了。我不确定它是做什么的，

等待结果。data（）

返回一些疯狂的数字（例如，预期为[0..1]，但得到了-170），但感谢跳转开始。将丢失替换为

meanSquaredError

，这看起来很简单，但我在选择张量形状方面有问题。实际上，我希望我的输入是[3,3,3]（3x3像素），输出是[3]（单像素），所以输入层应该有27个神经元，输出层应该有3个神经元。我想训练它通过100个像素，所以我设置了

inputShape:[100,3,3]

并创建输入[100,3,3]和输出[100,3]张量。但它失败了，错误是它期望5D数组作为输入。最后我将输入展平为2D，它成功了。我不确定它是做什么的，

等待结果。data（）

返回一些疯狂的数字（例如，预期为[0..1]，但得到了-170），但感谢跳转开始。将丢失替换为

meanSquaredError