為了更好的閱讀體驗，歡迎語雀搜索 【JavaScript 深度學習】 關注

NO.1

Tensor - 張量

從名字也可以看出，Tensor 是 TensorFlow 中最基礎的數據結構，Tensor 和 一維或多維數組非常相似，在 TensorFlow.js 中，我們也可以直接將數組轉換為Tensor。一個 Tensor 包含三個部分

• values: 具體的值 數字或者數組

• shape: 數值的維度，如果不配置，會基于 values 初始化

• dtype: 數值的數據類型，如 'float32'|'int32'|'bool' 等類型

Scalar - 標量 ( 0D 張量)

僅包含一個數字的張量叫做標量(Scalar)

scalar = tf.tensor(3.14);
// scalar 推薦使用更有語義化的 tf.scalar 來定義
tf.scalar(3.14).print() //

Vector - 向量 ( 1D 張量)

一維數組的數值成為向量(Vector)

vector = tf.tensor(<a href="https://www.kaggle.com/c/titanic">1, 2, 3], [3])
// vector 推薦使用更有語義化的 tf.tensor1d 來定義
vector = tf.tensor1d([1, 2, 3]).print();

Tensor 的常用操作

類似的，TensorFlow.js 還提供了 tf.tensor2d、tf.tensor3d、tf.tensor4d、tf.tensor5d、tf.tensor6d 等語義化的方法，也推薦大家直接使用。

const a = tf.tensor([[1, 2], [3, 4]], [2, 2], 'int32');
// 獲取 shape
console.log('shape:', a.shape); // shape: 2,2
// 獲取 dtype
console.log('dtype', a.dtype); // dtype int32
// 修改 shape
a.reshape([4]).print() // Tensor  [1, 2, 3, 4]

NO.2

現實數據的Tensor 轉換 - 數據預處理

Tensor 2d的示例

我們以 Kaggle 經典入門數據 - [泰坦尼克號生存預測(https://www.kaggle.com/c/titanic)?為例來介紹一下常見數據表達方式，數據示例

Variable	Definition	Key
survival	是否存活	0 = No, 1 = Yes
pclass	船票等級	1 = 1st, 2 = 2nd, 3 = 3rd
sex	性別	male / female?
Age	年齡
sibsp	船上兄弟姐妹/配偶的個數
parch	船上父母/孩子的個數
ticket	船票號碼
fare	船票加個
cabin	艙位號碼
embarked	啟航港的編號	C= Cherbourg, Q = Queenstown, S = Southampton

特征二元化

比如上面的性別，原始數據使用 male 或者 female 來表示，我們可以將其轉換成 0 和 1 來表示。

整數編碼

比如啟航港的編號，我們可以使用1、2、3 分別表示 C、Q、S。

數據補齊

如上圖數據，我們可以看到 Age 字段是存在缺失的，常見有以下幾種方式來補齊數據

• 平均值：這個很好理解，如果數值分布沒有明顯規(guī)律，可以使用平均值來補齊數據

• 分類平均值：如果數據不同分類下的平均值有較大差異，可以使用同類的平均值來進行補齊，比如上述數據 通過 parch、slibsp 可以做一些分類，來進行補齊

• 模型預測: 可以基于已有數據，通過模型求出更準確的補齊

特征離散化

將連續(xù)性的值，比如年齡進行離散，更有利于計算和特征的提取，比如我們可以將年齡通過 5 來進行劃分，0-5 使用 1 來表達，依次類推表達其他數值。

其他 Tensor 的數據示例

• Tensor 3D 常見于時間序列的數據，比如某個時間段的股票價格數據，需要展示 時間間隔、價格、樣本

• Tensor 4D 常見于圖片數據，需要展示 圖片寬度、高度、顏色通道(RGB)、樣本

• Tensor 5D 常見于視頻數據，需要展示 視頻寬度、高度、顏色通道、時間幀、樣本

NO.3

神經網絡模型

一個數據模型可以分為 Input(輸入數據）、Layer(模型層)、loss（損失函數）、optimizer（優(yōu)化器）、Output（預測輸出值）組成。

Layer - 模型層

你可以通過?TensorFlow Playground(https://playground.tensorflow.org/)?可視化的搭建自己的神經網絡以及訓練過程?

• 大多數的數據，我們可以使用全連接層來進行處理，對應 TensorFlow 中的 Dense Layer

• 上一章我們使用的圖片數據，可以使用卷積層來優(yōu)化處理，對應 TensorFlow 中的 Convolution Layer

• 有順序的數據，比如文本類，可以使用循環(huán)層，對應 TensorFlow 中的 LSTM Layer

損失函數

損失函數用來計算預測值與真實值的差異，模型訓練的目的也就是將 loss(損失）最小化的過程。不同的數據類型，需要選擇恰當的損失函數，比如對應回歸問題，我們可以選擇使用均方誤差(mean-squared error)，對于二分類問題，可以使用二元交叉熵(binary crossentropy)來計算

優(yōu)化器

優(yōu)化器主要基于損失函數的計算對神經網絡進行調整，常見的有梯度下降法

實例

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']
});

關注數：10億+?文章數：10億+
粉絲量：10億+?點擊量：10億+
?
懸賞博主專區(qū)請掃描這里

喜愛數：?1億+?發(fā)帖數：?1億+
回帖數：?1億+?結貼率：?99.9%

—————END—————


喜歡本文的朋友，歡迎關注公眾號?程序員哆啦A夢，收看更多精彩內容
點個[在看]，是對小達最大的支持！

如果覺得這篇文章還不錯，來個【分享、點贊、在看】三連吧，讓更多的人也看到~