Javascript 标量输出张量流

使用序列模型，如何获取二维输入数组（三维输入），并让模型对每个二维输入执行预测，以生成标量？输入形状（板）：[153,8,8]。输出形状（结果）：[153]

型号：

const model = tf.sequential();
model.add(tf.layers.dense({units: 8, inputShape: [8]}));
model.add(tf.layers.dense({units:1, activation: 'sigmoid'}));

// Prepare the model for training: Specify the loss and the optimizer.
model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

const xs = tf.tensor(boards);
const ys = tf.tensor(results);


model.fit(xs, ys, {batchSize: 8, epoch: 10000}).then(() => {
});
model.predict(tf.tensor(brokenFen)).print();

console.log(JSON.stringify(model.outputs[0].shape));

输出：

Tensor
    [[1],
     [1],
     [1],
     [1],
     [1],
     [1],
     [1],
     [1]]
[null,1]

期望输出：

Tensor
[1]

---

如果你有任何进一步的问题，lmk

一点理论…

预测的数量是给定给

predict

方法的特征的批量大小。为了更好地理解哪些特性和标签，让我们考虑以下内容：

| feature 1 | feature 2 | ... | feature n | Label |
|----------:|----------:|----:|-----------|------:|
|    x11    |    x12    | ... |    x1n    |   y1  |
|    x21    |    x22    | ... |    x2n    |   y2  |
|    ...    |    ...    |  .. |    ...    |  ...  |

在上图中，数据有n个特征，对应于n个维度，标签有一个维度-为了简单和适合问题。构建模型的输入（第一层）应与要素的尺寸匹配，输出（最后一层）应与标签的尺寸匹配。在训练和预测时，我们给模型一组不同的样本n1，n2。给出的样本数量与批量大小相对应。模型将返回与标签尺寸相同数量的形状元素

---

该模型具有以下

inputShape:[8]

，这表明我们有8个功能。最后一层有

单位：1

，表示标签大小为1。当我们预测价值时会发生什么

const model=tf.sequential（）；
//第一层
add（tf.layers.dense（{units:8，inputShape:[8]，activation:'sigmoid'}））；
//第二层
add（tf.layers.densite（{units:1}））；
compile（{loss:'meanSquaredError'，优化器：'sgd'}）；
console.log（model.predict（tf.ones（[3,8]））.shape）/[3,1]3个预测元素
console.log（model.predict（tf.ones（[1,8]））.shape）/[1,1]单元素预测

---

一点理论…

预测的数量是给定给

predict

方法的特征的批量大小。为了更好地理解哪些特性和标签，让我们考虑以下内容：

| feature 1 | feature 2 | ... | feature n | Label |
|----------:|----------:|----:|-----------|------:|
|    x11    |    x12    | ... |    x1n    |   y1  |
|    x21    |    x22    | ... |    x2n    |   y2  |
|    ...    |    ...    |  .. |    ...    |  ...  |

在上图中，数据有n个特征，对应于n个维度，标签有一个维度-为了简单和适合问题。构建模型的输入（第一层）应与要素的尺寸匹配，输出（最后一层）应与标签的尺寸匹配。在训练和预测时，我们给模型一组不同的样本n1，n2。给出的样本数量与批量大小相对应。模型将返回与标签尺寸相同数量的形状元素

---

该模型具有以下

inputShape:[8]

，这表明我们有8个功能。最后一层有

单位：1

，表示标签大小为1。当我们预测价值时会发生什么

const model=tf.sequential（）；
//第一层
add（tf.layers.dense（{units:8，inputShape:[8]，activation:'sigmoid'}））；
//第二层
add（tf.layers.densite（{units:1}））；
compile（{loss:'meanSquaredError'，优化器：'sgd'}）；
console.log（model.predict（tf.ones（[3,8]））.shape）/[3,1]3个预测元素
console.log（model.predict（tf.ones（[1,8]））.shape）/[1,1]单元素预测

如果您的模型对8个2d输入中的每一个进行预测，则您将获得8个输出，每个输入1个预测。你想用某种方式组合或平均这些预测吗？所以最初我以为我可以取8个输出的平均值，并做我自己的标量值，但是，这意味着网络只是检查每个等级，所以预测将不能考虑整个画面。谢谢你的帮助，我将进一步探讨这个想法。如果你的模型对8个2d输入中的每一个进行预测，那么你将得到8个输出，每个输入1个预测。你想用某种方式组合或平均这些预测吗？所以最初我以为我可以取8个输出的平均值，并做我自己的标量值，但是，这意味着网络只是检查每个等级，所以预测将不能考虑整个画面。谢谢你的帮助，tho，我将进一步研究这个想法。