Clase Tensorflow.js tf.LayersModel

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. Flujo de tensor. La clase js tf.LayerModel se utiliza para el entrenamiento, la interfaz y la evaluación del modelo. Tiene muchos métodos para entrenamiento, evaluación, predicción y ahorro.

Sintaxis: 

tf.LayerModel.method(args);

Parámetros: 

• args: Método diferente excepto parámetros diferentes.

Devoluciones: diferentes métodos devolvieron diferentes valores tf. objeto tensor, etc.

A continuación veremos la implementación de métodos de la clase tf.LayerModel.

Ejemplo 1: en este ejemplo, verá el método trainOnBatch() que se usa para aplicar la actualización del optimizador en un solo lote de datos. Toma dos tensores primero como tensor de valor de entrada y segundo como tensor objetivo. Devuelve una promesa de número.

import * as tf from "@tensorflow/tfjs"
 
async function run() {
 
// Training Model
  const gfg = tf.sequential();
 
// Adding layer to model 
  const layer = tf.layers.dense({units:3,
               inputShape : [5]});
   gfg.add(layer);
   
// Compiling our model
  const config = {optimizer:'sgd',
              loss:'meanSquaredError'};
  gfg.compile(config);
   
// Test tensor and target tensor
  const layerOne = tf.ones([3,5]);
  const layerTwo = tf.ones([3,3]);
   
// Apply trainOneBatch to out test data
  const result =
    await gfg.trainOnBatch(layerOne, layerTwo);
 
// Printing out result
  console.log(result);
}
 
// Function call
await run();

 
 Producción: 

3.683875560760498

Ejemplo 2: En este ejemplo, veremos el método getLayer() que se utiliza para obtener capas con la ayuda de su nombre de índice. Toma como parámetro el nombre de la capa del índice de la capa. Devuelve tf.layers.Layer.

import * as tf from "@tensorflow/tfjs"
// Defining model
 const gfg_Model = tf.sequential();
 
// Adding layers
 const config = {units: 4, inputShape: [1] };
 const layer = tf.layers.dense( config);;
 gfg_Model.add( layer);
 
 const config2 = {units: 2, inputShape: [3] , activation: 'sigmoid'};
 const layer2 = tf.layers.dense( config2 );;
 gfg_Model.add(layer2);
 
// Calling getLayer() method 
 const layer_1 = gfg_Model.getLayer('denselayer', 1);
 
// Printing layer config
 console.log(layer_1.getConfig());

 
Producción: 

{
  "units": 2,
  "activation": "sigmoid",
  "useBias": true,
  "kernelInitializer": {
    "className": "VarianceScaling",
    "config": {
      "scale": 1,
      "mode": "fanAvg",
      "distribution": "normal",
      "seed": null
    }
  },
  "biasInitializer": {
    "className": "Zeros",
    "config": {}
  },
  "kernelRegularizer": null,
  "biasRegularizer": null,
  "activityRegularizer": null,
  "kernelConstraint": null,
  "biasConstraint": null,
  "name": "dense_Dense53",
  "trainable": true,
  "batchInputShape": [
    null,
    3
  ],
  "dtype": "float32"
}

 Referencia: https://js.tensorflow.org/api/latest/#class:LayersModel