Javascript TensorFlowJS中的单位和输入形状

我不熟悉TensorflowJS和ML

我想知道的是

什么是

inputShape

什么是自动形状

由于

unit

引用了数据集的属性，为什么

unit

在

model.add（tf.layers.dense（{units:4}））行中设置为4。（该层在
model.add（tf.layers.dense（{units:32，inputShape:[50]}））中将
单元定义为32
）
）既然
sequential（）
一层的输出是下一层的输入，那么这些单元不一定是相同的吗

什么是
inputShape

它是一个包含张量维数的数组，在运行神经网络时用作输入

什么是自动形状

它只使用之前图层的输出形状。在这种情况下，
[32]
，因为前面的层是一个有32个单元的致密层

既然单元引用了数据集的属性，为什么单元设置为
4在
model.add（tf.layers.densite（{units:4}））
行中。（定义的图层）
model.add（tf.layers.dense）中的单位为32（{units:32，inputShape:
[50]}））
，因为sequential（）的一层输出是
下一层，单位不是必须相同吗

单位定义密集层的输出形状。在这种情况下，神经应该有4个输出，所以最后一层必须有4个单元。输出和输入形状不必相同，因为每个神经元的输出（其数量为outputshape）是基于前一层的所有神经元（输出）计算的。（如果是致密层）
我总是喜欢一个工作示例。这是一个简单的例子

我曾经有一个指向我的网站的链接，上面有50多个TFJS示例，但似乎放一个链接被认为是垃圾邮件，所以我不愿意分享

<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.10.3"> </script> 




<input type="number" id="myAsk" value="5"><br> 

<input id="myButton123" type="button" value="Keras Layers Train and Test" onclick="{
       document.getElementById('myButton123').style.backgroundColor = 'red'                                                                              

    model = tf.sequential(); // no const so that it is a global variable 

    model.add(tf.layers.dense({ units: 10,  inputShape: [1] }) );  
    model.add(tf.layers.dense({ units: 10 }) );  
    model.add(tf.layers.dense({ units:  1 }) );  

   model.compile({optimizer: 'sgd', loss: 'meanSquaredError'});

   // Generate some synthetic data for training.
   const xs = tf.tensor2d([[1], [2], [3], [4]], [4, 1]);
   const ys = tf.tensor2d([[1], [3], [5], [7]], [4, 1]);


  (async function () {   // inline async so we can use promises and await

    for (let myLoop = 1; myLoop <= 100; myLoop++) {                                                                                 
        var myFit = await model.fit(xs, ys, { epochs: 10 });
        if (myLoop % 20 == 0){   
             await tf.nextFrame();   // This allows the GUI to update but only every 20 batches      
             document.getElementById('myDiv123').innerHTML  =  'Loss after Batch ' + myLoop + ' : ' + myFit.history.loss[0] +'<br><br>'                                                                           
        }

    }                                                                                    


    const myPredictArray = await  model.predict(tf.tensor2d([document.getElementById('myAsk').value.split(',')], [1, 1]))  

    document.getElementById('myDiv123').innerHTML += 'Input '+document.getElementById('myAsk').value+', Output = ' + await myPredictArray.data() +'<br>'
    document.getElementById('myButton123').style.backgroundColor = 'lightgray'                                                                                

  })() // end the inline async funciton                                                                        


}" style="background-color: red;">   


<input id="myButton123b" type="button" value="re-Test" onclick="{
   (async function () {                                                                
   const myPredictArray = await  model.predict(tf.tensor2d([document.getElementById('myAsk').value.split(',')], [1, 1]))  

   document.getElementById('myDiv123').innerHTML = 'Input '+document.getElementById('myAsk').value+', Output = ' + await myPredictArray.data() +'<br>'
   })() // end the inline async funciton                                                                                     

 }"><br><br>

<div id='myDiv123'>...</div><br>







…

在链接自己的网站时，必须添加披露，否则可能会被视为垃圾邮件。看，这不是一个好答案。没有任何解释。这段代码基本上是从TensorFlow.js网站复制粘贴的，带有
inputShape:[1]
它太简单了，实际上没有用处/它应该是一个简化的答案，以便用户可以看到inputShape是如何工作的。这是一个完整的工作网页没有编译器。Tensorflowjs站点上绝对没有这样容易运行的示例，因为所有Tensorflowjs示例都希望您使用某种编译器。我完全是白手起家的。是的，它可以有更多的评论，但它不会投票。虽然这提供了示例代码，但它对我没有用处，因为它没有解释示例代码在做什么，或者为什么。如果我想要没有解释的示例代码，我可以检查API引用。
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.10.3"> </script> 




<input type="number" id="myAsk" value="5"><br> 

<input id="myButton123" type="button" value="Keras Layers Train and Test" onclick="{
       document.getElementById('myButton123').style.backgroundColor = 'red'                                                                              

    model = tf.sequential(); // no const so that it is a global variable 

    model.add(tf.layers.dense({ units: 10,  inputShape: [1] }) );  
    model.add(tf.layers.dense({ units: 10 }) );  
    model.add(tf.layers.dense({ units:  1 }) );  

   model.compile({optimizer: 'sgd', loss: 'meanSquaredError'});

   // Generate some synthetic data for training.
   const xs = tf.tensor2d([[1], [2], [3], [4]], [4, 1]);
   const ys = tf.tensor2d([[1], [3], [5], [7]], [4, 1]);


  (async function () {   // inline async so we can use promises and await

    for (let myLoop = 1; myLoop <= 100; myLoop++) {                                                                                 
        var myFit = await model.fit(xs, ys, { epochs: 10 });
        if (myLoop % 20 == 0){   
             await tf.nextFrame();   // This allows the GUI to update but only every 20 batches      
             document.getElementById('myDiv123').innerHTML  =  'Loss after Batch ' + myLoop + ' : ' + myFit.history.loss[0] +'<br><br>'                                                                           
        }

    }                                                                                    


    const myPredictArray = await  model.predict(tf.tensor2d([document.getElementById('myAsk').value.split(',')], [1, 1]))  

    document.getElementById('myDiv123').innerHTML += 'Input '+document.getElementById('myAsk').value+', Output = ' + await myPredictArray.data() +'<br>'
    document.getElementById('myButton123').style.backgroundColor = 'lightgray'                                                                                

  })() // end the inline async funciton                                                                        


}" style="background-color: red;">   


<input id="myButton123b" type="button" value="re-Test" onclick="{
   (async function () {                                                                
   const myPredictArray = await  model.predict(tf.tensor2d([document.getElementById('myAsk').value.split(',')], [1, 1]))  

   document.getElementById('myDiv123').innerHTML = 'Input '+document.getElementById('myAsk').value+', Output = ' + await myPredictArray.data() +'<br>'
   })() // end the inline async funciton                                                                                     

 }"><br><br>

<div id='myDiv123'>...</div><br>