示例 2 模型
随机播放数据
总是在训练前打乱数据。
当模型被训练时，数据被分成小的集合（批次）。 然后将每批输入模型。 洗牌对于防止模型再次获得相同的数据很重要。 如果两次使用相同的数据，模型将无法泛化数据并给出正确的输出。 洗牌在每批中提供了更好的数据种类。
实例
tf.util.shuffle(data);
TensorFlow 张量
要使用TensorFlow，需要将输入数据转换为张量数据:
// 将 x 值映射到张量输入
const inputs = values.map(obj => obj.x);
// 将 y 值映射到张量标签
const labels = values.map(obj => obj.y);
// 将输入和标签转换为二维张量
const inputTensor = tf.tensor2d(inputs, [inputs.length, 1]);
const labelTensor = tf.tensor2d(labels, [labels.length, 1]);
数据规范化
数据应该在用于神经网络之前进行归一化。
使用 min-max 的 0 - 1 范围通常最适合数值数据:
const inputMin = inputTensor.min();
const inputMax = inputTensor.max();
const labelMin = labelTensor.min();
const labelMax = labelTensor.max();
const nmInputs = inputTensor.sub(inputMin).div(inputMax.sub(inputMin));
const nmLabels = labelTensor.sub(labelMin).div(labelMax.sub(labelMin));
张量流模型
机器学习模型是一种从输入产生输出的算法。
此示例使用 3 行来定义 ML 模型:
const model = tf.sequential();
model.add(tf.layers.dense({inputShape: [1], units: 1, useBias: true}));
model.add(tf.layers.dense({units: 1, useBias: true}));
顺序机器学习模型
const model = tf.sequential(); 创建一个顺序机器学习模型。
在顺序模型中，输入直接流向输出。 其他模型可以有多个输入和多个输出。 Sequential 是最简单的 ML 模型。 它允许您逐层构建模型，权重对应于下一层。
TensorFlow 层
model.add()用于给模型添加两层。
tf.layer.dense 是一种适用于大多数情况的图层类型。 它将输入乘以权重矩阵，然后在结果中添加一个数字（偏差）。
形状和单位
inputShape: [1] 因为我们有 1 个输入（x = 房间）。
units: 1 定义权重矩阵的大小: 每个输入 1 个权重（x 值）。
编译模型
使用指定的优化器和loss函数编译模型:
model.compile({loss: 'meanSquaredError', optimizer:'sgd'});
编译器设置为使用 sgd 优化器。 它使用简单，非常有效。
meanSquaredError 是我们想要用来比较模型预测和真实值的函数。
