JavaScript 深度学习 - 2.基础概念
为了更好的阅读体验，欢迎语雀搜索 【JavaScript 深度学习】 关注
NO.1
Tensor - 张量
从名字也可以看出，Tensor 是 TensorFlow 中最基础的数据结构，Tensor 和 一维或多维数组非常相似，在 TensorFlow.js 中，我们也可以直接将数组转换为Tensor。一个 Tensor 包含三个部分
values: 具体的值 数字或者数组
shape: 数值的维度，如果不配置，会基于 values 初始化
dtype: 数值的数据类型，如 'float32'|'int32'|'bool' 等类型
Scalar - 标量 ( 0D 张量)
仅包含一个数字的张量叫做标量(Scalar)
scalar = tf.tensor(3.14);
// scalar 推荐使用更有语义化的 tf.scalar 来定义
tf.scalar(3.14).print() //
Vector - 向量 ( 1D 张量)
一维数组的数值成为向量(Vector)
vector = tf.tensor(<a href="https://www.kaggle.com/c/titanic">1, 2, 3], [3])
// vector 推荐使用更有语义化的 tf.tensor1d 来定义
vector = tf.tensor1d([1, 2, 3]).print();
Tensor 的常用操作
类似的，TensorFlow.js 还提供了 tf.tensor2d、tf.tensor3d、tf.tensor4d、tf.tensor5d、tf.tensor6d 等语义化的方法，也推荐大家直接使用。
const a = tf.tensor([[1, 2], [3, 4]], [2, 2], 'int32');
// 获取 shape
console.log('shape:', a.shape); // shape: 2,2
// 获取 dtype
console.log('dtype', a.dtype); // dtype int32
// 修改 shape
a.reshape([4]).print() // Tensor [1, 2, 3, 4]
NO.2
现实数据的Tensor 转换 - 数据预处理
Tensor 2d的示例
我们以 Kaggle 经典入门数据 - [泰坦尼克号生存预测(https://www.kaggle.com/c/titanic) 为例来介绍一下常见数据表达方式，数据示例
| Variable | Definition | Key |
|---|---|---|
| survival | 是否存活 | 0 = No, 1 = Yes |
| pclass | 船票等级 | 1 = 1st, 2 = 2nd, 3 = 3rd |
| sex | 性别 | male / female |
| Age | 年龄 | |
| sibsp | 船上兄弟姐妹/配偶的个数 | |
| parch | 船上父母/孩子的个数 | |
| ticket | 船票号码 | |
| fare | 船票加个 | |
| cabin | 舱位号码 | |
| embarked | 启航港的编号 | C= Cherbourg, Q = Queenstown, S = Southampton |
特征二元化
比如上面的性别，原始数据使用 male 或者 female 来表示，我们可以将其转换成 0 和 1 来表示。
整数编码
比如启航港的编号，我们可以使用1、2、3 分别表示 C、Q、S。
数据补齐
如上图数据，我们可以看到 Age 字段是存在缺失的，常见有以下几种方式来补齐数据
平均值：这个很好理解，如果数值分布没有明显规律，可以使用平均值来补齐数据
分类平均值：如果数据不同分类下的平均值有较大差异，可以使用同类的平均值来进行补齐，比如上述数据 通过 parch、slibsp 可以做一些分类，来进行补齐
模型预测: 可以基于已有数据，通过模型求出更准确的补齐
特征离散化
将连续性的值，比如年龄进行离散，更有利于计算和特征的提取，比如我们可以将年龄通过 5 来进行划分，0-5 使用 1 来表达，依次类推表达其他数值。
其他 Tensor 的数据示例
Tensor 3D 常见于时间序列的数据，比如某个时间段的股票价格数据，需要展示 时间间隔、价格、样本
Tensor 4D 常见于图片数据，需要展示 图片宽度、高度、颜色通道(RGB)、样本
Tensor 5D 常见于视频数据，需要展示 视频宽度、高度、颜色通道、时间帧、样本
NO.3
神经网络模型
一个数据模型可以分为 Input(输入数据）、Layer(模型层)、loss（损失函数）、optimizer（优化器）、Output（预测输出值）组成。
Layer - 模型层
你可以通过 TensorFlow Playground(https://playground.tensorflow.org/) 可视化的搭建自己的神经网络以及训练过程
大多数的数据，我们可以使用全连接层来进行处理，对应 TensorFlow 中的 Dense Layer
上一章我们使用的图片数据，可以使用卷积层来优化处理，对应 TensorFlow 中的 Convolution Layer
有顺序的数据，比如文本类，可以使用循环层，对应 TensorFlow 中的 LSTM Layer
损失函数
损失函数用来计算预测值与真实值的差异，模型训练的目的也就是将 loss(损失）最小化的过程。不同的数据类型，需要选择恰当的损失函数，比如对应回归问题，我们可以选择使用均方误差(mean-squared error)，对于二分类问题，可以使用二元交叉熵(binary crossentropy)来计算
优化器
优化器主要基于损失函数的计算对神经网络进行调整，常见的有梯度下降法
实例
const model = tf.sequential();
model.add(tf.layers.dense({units: 250, inputShape: [8]}));
model.add(tf.layers.dense({units: 175}));
model.add(tf.layers.dense({units: 150}));
model.add(tf.layers.dense({units: 10, activation: 'softmax'}));
model.compile({
optimizer: tf.train.adam(),
loss: 'sparseCategoricalCrossentropy',
metrics: ['accuracy']
});
回复 “618” 有福利
欢迎关注东半球最大的前端团队
喜欢就点这里