Función Tensorflow.js tf.train.adamax()

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 tf.train.adamax() se usó para crear un tf.AdamaxOptimizer que usa el algoritmo adamax.

Sintaxis:

tf.train.adamax(learningRate, beta1, beta2, epsilon, decay)

Parámetros:

• learningRate: especifica la tasa de aprendizaje que utilizará el algoritmo de descenso de gradiente de adamax.
• beta1: Especifica la tasa de decaimiento exponencial estimada para el 1er momento.
• beta2: Especifica la tasa de caída exponencial estimada para el segundo momento.
• epsilon: Especifica una pequeña constante para la estabilidad numérica.
• decay: Especifica la tasa de decaimiento para cada actualización.

Valor devuelto: Devuelve un tf.adamaxOptimizer.

Ejemplo 1: Ajuste una función f = (a*x + y) usando el optimizador adamax aprendiendo los coeficientes a y b.

// Importing tensorflow
import * as tf from "@tensorflow/tfjs"
 
const xs = tf.tensor1d([0, 1, 2, 3]);
const ys = tf.tensor1d([1.1, 5.9, 16.8, 33.9]);
 
// Choosing random coefficients
const a = tf.scalar(Math.random()).variable();
const b = tf.scalar(Math.random()).variable();
 
// Defining function f = (a*x + b).
const f = x => a.mul(x).add(b);
const loss = (pred, label) => pred.sub(label).square().mean();
 
// Defining learning rate of adamax algorithm
const learningRate = 0.01;
 
// Creating our optimizer.
const optimizer = tf.train.adamax(learningRate);
 
// Train the model.
for (let i = 0; i < 10; i++) {
   optimizer.minimize(() => loss(f(xs), ys));
}
 
// Make predictions.
console.log(
     `a: ${a.dataSync()}, b: ${b.dataSync()}}`);
const preds = f(xs).dataSync();
preds.forEach((pred, i) => {
   console.log(`x: ${i}, pred: ${pred}`);
});

Producción: 

a: 0.4271160364151001, b: 0.21284617483615875}
x: 0, pred: 0.21284617483615875
x: 1, pred: 0.6399621963500977
x: 2, pred: 1.0670782327651978
x: 3, pred: 1.4941942691802979

Ejemplo 2: Ajuste una ecuación cuadrática usando el optimizador adamax, aprendiendo los coeficientes a, b y c. Las configuraciones de nuestro optimizador son las siguientes: 

• tasa de aprendizaje = 0,01;
• beta1 = 0,1;
• beta2 = 0,1;
• épsilon = 0,3;
• descomposición = 0,5;

// Importing tensorflow
import * as tf from "@tensorflow/tfjs"
 
const xs = tf.tensor1d([0, 1, 2, 3]);
const ys = tf.tensor1d([1.1, 5.9, 16.8, 33.9]);
 
// Choosing random coefficients
const a = tf.scalar(Math.random()).variable();
const b = tf.scalar(Math.random()).variable();
 
// Defining function f = (a*x^2 + b*x + c).
const f = x => a.mul(x).add(b);
const loss = (pred, label) => pred.sub(label).square().mean();
 
// Defining configurations of adamax algorithm
const learningRate = 0.01;
const beta1 = 0.1;
const beta2 = 0.1;
const epsilon = 0.3;
const decay = 0.5;
 
// Creating our optimizer.
const optimizer = tf.train.adamax(
    learningRate, beta1, beta2, epsilon, decay);
 
// Train the model.
for (let i = 0; i < 10; i++) {
   optimizer.minimize(() => loss(f(xs), ys));
}
 
// Make predictions.
console.log(
     `a: ${a.dataSync()}, b: ${b.dataSync()}}`);
const preds = f(xs).dataSync();
preds.forEach((pred, i) => {
   console.log(`x: ${i}, pred: ${pred}`);
});

Producción: 

a: 0.8346626162528992, b: 0.5925931334495544}
x: 0, pred: 0.21284617483615875
x: 1, pred: 1.4272557497024536
x: 2, pred: 2.261918306350708
x: 3, pred: 3.096580982208252

Referencia: https://js.tensorflow.org/api/1.0.0/#train.adamax