TensorflowJs是一个加速API，用于在nodeJs和浏览器中部署深度神经网络和机器学习模型。在本教程中，我们将解释如何在tensorflowJs中编写感知器模型。

Perceptron（感知器）是一种监督学习算法。它由以下内容组成：给定一个输入，它乘以一个权重张量w。人们可以加上一个偏差的张量b。在该线性步骤之后，使用激活函数来保持优于特定阈值的结果。激活函数很棒，因为它们在机器学习模型中引入了非线性。请记住，第一步只是一个线性操作：wx + b。如果我们希望模型能够学习非线性函数，我们需要添加激活函数。

让我们实现一个感知器模型来学习非线性函数（cosinus）。

首先，我们需要创建一个模型。

const model = tf.sequential();

tf.sequential允许创建一个模型，其中各层叠加在另一层之上。单个感知器模型由一个层组成。

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

tensorflowJs将创建一个形状的权重矩阵[1,10]，将在每个epoch中更新。epoch是一个训练的周期。relu是模型中非线性的激活函数。通过上面的两行代码，我们创建了一个单层感知器。我们可以添加更多的层，改变每个学习周期中要学习的权重。我们需要记住，更多的参数可以让机器学习模型在学习过程中消耗更多的时间，并且会过度拟合。相反，使用较少的参数，机器学习模型将花费较少的时间进行训练，但在预测期间会出现错误。

我们添加另一层:

model.add(tf.layers.dense({
 units: 5
 }));
 model.add(tf.layers.dense({
 units: 1
 }));

我们现在有一个多层感知器。我们计算y数据和估计数据?之间的均方误差，使用adam优化。

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

创建机器学习模型后，我们现在必须训练它。为此，我们需要创建自己的数据集。使用tf.randomNormal，我们创建一个具有随机值的一维张量x。对于x中的每个条目，我们计算cos（x）; 我们在其中添加一个随机值来模拟真实情况下的噪声。该数据在一维张量y中。

const NUM_POINTS = 1000;
 const x = tf.randomNormal([NUM_POINTS], undefined, undefined, undefined, NUM_POINTS);
 const y = tf.cos(x).add(tf.scalar(0.1).mul(tf.randomNormal([NUM_POINTS], undefined, undefined, undefined, seed = NUM_POINTS)))
 const f = (x) => tf.cos(x).add(0.1 * tf.random);

部分数据用于训练，另一部分用于测试。需要多少数据用于训练/测试呢？我们使用规则70/30进行训练。

const features_training = x.gather(tf.tensor1d(training_indices, 'int32'));
 const labels_training = y.gather(tf.tensor1d(training_indices, 'int32'));
 const features_test = x.gather(tf.tensor1d(test_indices, 'int32'));
 const labels_test = y.gather(tf.tensor1d(test_indices, 'int32'));

最后，我们的机器学习模型需要从训练数据中学习。我们使用训练数据的特征和标签来拟合我们的模型。特征通常是给予数据x的名称，数据y称为标签。我们使用测试数据的特征进行预测。这是关键时刻：我们将看到模型的准确程度。

model.fit(features_training.reshape([TRAINING_POINTS , 1]), labels_training.reshape([TRAINING_POINTS , 1]), {
 epochs: 100,
 batchSize: 100,
 callbacks: {
 onEpochEnd: (epoch, log) => {
 console.log(epoch, log.loss);
 }
 }
 }).then(() => {
 const p = tf.stack(features_test.unstack().map(t => model.predict(t.reshape([1, 1]))));
})

HTML示例代码：

<head>
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@latest"></script>
<script src="https://cdnjs.cloudflare.com/ajax/libs/Chart.js/2.7.2/Chart.min.js"></script>
</head>
<body>
 <h1>Multiple Layer Perceptron Model</h1>
 <div>You can open your console to see the error decreasing while training (ctrl + shift + j)</div>
 <canvas id="myChart"></canvas>
</body>

javascript代码：

(function train() {
 const NUM_POINTS = 1000;
 const TRAINING_POINTS = 700;
 const x = tf.randomNormal([NUM_POINTS], undefined, undefined, undefined, NUM_POINTS);
 const y = tf.cos(x).add(tf.scalar(0.1).mul(tf.randomNormal([NUM_POINTS], undefined, undefined, undefined, seed = NUM_POINTS)))
 const f = (x) => tf.cos(x).add(0.1 * tf.random);
 
 const learningRate = 0.00001;
 const optimizer = tf.train.adam();
 const model = tf.sequential();
 model.add(tf.layers.dense({
 units: 10,
 activation: 'relu',
 inputShape: [1]
 }));
 model.add(tf.layers.dense({
 units: 5
 }));
 model.add(tf.layers.dense({
 units: 1
 }));
 model.compile({
 loss: 'meanSquaredError',
 optimizer: 'adam'
 });
 
 const intermediate = []
 const training_indices = Array.from({
 length: TRAINING_POINTS 
 }, (_, i, a) => {
 const generate = () => Math.floor(Math.random() * NUM_POINTS);
 let n = generate();
 while (intermediate.includes(n)) {
 n = generate()
 }
 intermediate.push(n);
 return n;
 });
 const test_indices = Array.from({
 length: NUM_POINTS
 }, (_, i) => i).filter(e => !training_indices.includes(e));
 
 const features_training = x.gather(tf.tensor1d(training_indices, 'int32'));
 const labels_training = y.gather(tf.tensor1d(training_indices, 'int32'));
 const features_test = x.gather(tf.tensor1d(test_indices, 'int32'));
 const labels_test = y.gather(tf.tensor1d(test_indices, 'int32'));
 
 model.fit(features_training.reshape([TRAINING_POINTS , 1]), labels_training.reshape([TRAINING_POINTS , 1]), {
 epochs: 100,
 batchSize: 100,
 callbacks: {
 onEpochEnd: (epoch, log) => {
 console.log(epoch, log.loss);
 }
 }
 }).then(() => {
 const p = tf.stack(features_test.unstack().map(t => model.predict(t.reshape([1, 1]))));
 
 const x_dataset = features_test.dataSync();
 const y_dataset = labels_test.dataSync();
 const p_dataset = p.dataSync();
 const data1 = [];
 const data2 = [];
 for (let i = 0; i < NUM_POINTS; i++) {
 data1.push({
 x: x_dataset[i],
 y: y_dataset[i]
 });
 data2.push({
 x: x_dataset[i],
 y: p_dataset[i]
 });
 }
 new Chart(document.getElementById("myChart"), {
 type: 'scatter',
 data: {
 datasets: [{
 label: "test-label",
 data: data1,
 pointBackgroundColor: "red",
 borderColor: "red"
 }, {
 label: "estimation",
 data: data2,
 pointBackgroundColor: "green",
 borderColor: "green"
 }]
 },
 options: {
 responsive: true,
 showLines: false,
 legend: {
 labels: {
 usePointStyle: true
 }
 }
 }
 });
 })
})()

下图显示了测试数据以及模型的预测

四时宝库

程序员的知识宝库

感知器模型TensorflowJs（感知器模型存在的缺陷）

HTML示例代码：

javascript代码：