Tensorflow.js-如何创建简单求和的模型

我开始学习tensoflow.js。我已经看到并重新创建了线性函数的预测示例；您最初拥有：

async function learnLinear(){
   model = tf.sequential();
   // uma camada e um nó
   model.add(tf.layers.dense({units: 1, inputShape: [1]}));
   // 
   model.compile({
      loss: 'meanSquaredError', //funcao de perda: erro quadratico médio p/ funcoes lineares
      optimizer: 'sgd' // descida de gradiente estocástica - metodologia para o aprendizado
      });
   
   // abaixo valores x,y nos parametros e o segundo é o formato 6 linhas 1 coluna
   const xs = tf.tensor2d([-1, 0, 1, 2, 3, 4],[6, 1]); 
   const ys = tf.tensor2d([-3, -1, 1, 3, 5, 7], [6, 1]);

   // treinar o modelo em um número fixo de iterações (épocas)
   await model.fit(xs, ys, {epochs: 900}); // 900 iterações
   ...

现在我想实现一个简单的求和，如下表所示

---

但我无法为此创建模板配置（张量、层和训练的外观）。你能举个例子吗？

你可以做一个简单的线性回归，就像你的例子一样。如果有这么多的数据，结果会很糟糕，所以现在不要指望用它来取代你的计算器

只需设置x1和x2张量，让模型的输入接受2个输入

//定义线性回归的模型。
const model=tf.sequential（）；
add（tf.layers.dense（{units:1，inputShape:[2]}））；
//为培训准备模型：指定损失和优化器。
compile（{loss:'meanSquaredError'，优化器：'sgd'}）；
//生成一些用于培训的合成数据。
常数x1=tf.tensor2d（[1,1,2,1,3]，[5,1]）；
常数x2=tf.tensor2d（[0,1,1,1,1]，[5,1]）；
//我们将x1和x2合并以获得形状[5,2]的输入
//“张量[[1,0]，
//          [1, 1],
//          [2, 1],
//          [1, 1],
//          [3, 1]]"
常数xs=tf.concat（[x1，x2]，1）
//标签只是x1+x2的和
//张量[[1]、[2]、[3]、[2]、[4]]
常数ys=tf.add（x1，x2）
//使用数据训练模型。
model.fit（xs，ys，epochs=1000）。然后（（）=>{
//试试一个预测。
//结果会很糟糕，因为
//数据不多
model.predict（tf.tensor2d（[0,1]，[1,2]））.print（）；
});

您可以进行简单的线性回归，如您的示例中所示。如果有这么多的数据，结果会很糟糕，所以现在不要指望用它来取代你的计算器

只需设置x1和x2张量，让模型的输入接受2个输入

//定义线性回归的模型。
const model=tf.sequential（）；
add（tf.layers.dense（{units:1，inputShape:[2]}））；
//为培训准备模型：指定损失和优化器。
compile（{loss:'meanSquaredError'，优化器：'sgd'}）；
//生成一些用于培训的合成数据。
常数x1=tf.tensor2d（[1,1,2,1,3]，[5,1]）；
常数x2=tf.tensor2d（[0,1,1,1,1]，[5,1]）；
//我们将x1和x2合并以获得形状[5,2]的输入
//“张量[[1,0]，
//          [1, 1],
//          [2, 1],
//          [1, 1],
//          [3, 1]]"
常数xs=tf.concat（[x1，x2]，1）
//标签只是x1+x2的和
//张量[[1]、[2]、[3]、[2]、[4]]
常数ys=tf.add（x1，x2）
//使用数据训练模型。
model.fit（xs，ys，epochs=1000）。然后（（）=>{
//试试一个预测。
//结果会很糟糕，因为
//数据不多
model.predict（tf.tensor2d（[0,1]，[1,2]））.print（）；
});

非常感谢您的返回。是的，现在的想法只是为了理解更多的基本概念，这让我可以进行下一步（计算器在我这边！）。非常感谢您的回复。而且，是的，现在的想法只是为了理解更多的基本概念，这让我能够进行下一步（在我这边有计算器的情况下！）。