Función Tensorflow.js tf.layers.activation()

Introducción: Tensorflow.js es una biblioteca de código abierto desarrollada por Google para ejecutar modelos de aprendizaje automático y redes neuronales de aprendizaje profundo en el entorno del navegador o del Node. La función Tensorflow.js tf.layers.activation() se usa para aplicar la función a todos los elementos de nuestra capa de entrada. también podemos aplicar la función a los datos de entrada con una capa densa. 

Sintaxis: 

tf.layers.activation(args);    

Parámetros: A continuación se muestran los parámetros aceptados por esta función:

• args: Es un tipo de objeto con campos:
  • activación: Es el nombre de la función que se aplica a todos los elementos de entrada.
  • inputShape: es la forma de la capa de entrada del modelo. Se utiliza en la creación de la capa de entrada.
  • batchInputShape: se utiliza para crear una capa de entrada. Definía la forma del lote para las muestras en la capa de entrada.
  • tamaño de lote:  se utiliza para crear una capa de entrada. Se utiliza como complemento de batchInputShape en la construcción de la capa de entrada.
  • dtype: Definió el tipo de datos de la capa. Se utiliza para la primera capa del modelo.
  • nombre: Declara una string que es el nombre de la capa de entrada.
  • entrenable: Declara que la capa es entrenable por la función o no. Es un tipo de datos booleano.
  • peso: Es el tensor que es el dato inicial para la capa.
  • inputDType: es el tipo de datos para los datos de entrada en la capa.

Devoluciones: Activación

A continuación se muestran algunos ejemplos de esta función:

Ejemplo 1: en este ejemplo, crearemos una capa de activación y verificaremos el valor de retorno. 

import * as tf from "@tensorflow/tfjs"
 
// Creating config for the activation layer
const config = {
    activation: 'sigmoid',
    inpurShape: 5,
    dtype: 'int32',
    name: 'activationLayer'
};
 
// Defining the activation layer
const activationLayer = tf.layers.activation(config);
 
// printing return of activation layer
console.log(activationLayer);

Producción: 

{
  "_callHook": null,
  "_addedWeightNames": [],
  "_stateful": false,
  "id": 38,
  "activityRegularizer": null,
  "inputSpec": null,
  "supportsMasking": true,
  "_trainableWeights": [],
  "_nonTrainableWeights": [],
  "_losses": [],
  "_updates": [],
  "_built": false,
  "inboundNodes": [],
  "outboundNodes": [],
  "name": "ActivationLayer",
  "trainable_": true,
  "initialWeights": null,
  "_refCount": null,
  "fastWeightInitDuringBuild": false,
  "activation": {}
}

Ejemplo 2: en este ejemplo, crearemos nuestra capa de activación con alguna configuración y entrenaremos nuestros datos de entrada con la capa de activación. 

import * as tf from "@tensorflow/tfjs"
 
// Configuration file for the activation layer
const geek_config = {
    activation: 'sigmoid',
    inpurShape: 5,
    dtype: 'int32',
    name: 'activationLayer'
};
 
const geek_activation = tf.layers.activation(geek_config);
const geek_inputLayer = tf.layers.dense({units: 1});
 
// Our Input layer for the model
const geek_input = tf.input({shape: [7]});
 
// Making structure for the model
const geek_output = geek_inputLayer.apply(geek_input);
const geek_result = geek_activation.apply(geek_output);
 
// Making Model from structure 
const config2 = {inputs: geek_input, outputs: geek_result}
const model = tf.model(config2);
 
// Collect both outputs and print separately.
const config3 = tf.randomUniform([4, 7])
const  geek_activationResult = model.predict(confg3);
geek_activationResult.print();

Producción: 

Tensor
    [[0.4178988],
     [0.2027801],
     [0.2813435],
     [0.2546847]]

Referencia: https://js.tensorflow.org/api/latest/#layers.activation