Tensorflow.js tf. Clase secuencial – Part 2

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 clase Tensorflow.js tf.Sequential es un modelo de la colección de capas en forma de pila. Estas capas están conectadas a la capa vecina respectiva. Usamos la función tf.Sequential() para crear una instancia de clase tf.Sequential. La clase tf.Sequential tiene muchos métodos que se utilizan para aplicar en instancias. 

Sintaxis: 

Sequntial_instane.method(args);

Parámetros:  Este método acepta el siguiente parámetro:

• args: Depende del método. Diferentes métodos aceptan diferentes parámetros.

Valor de retorno: un método diferente devuelve un valor de retorno diferente al objeto tf.Tensor , etc.

Ejemplo 1: En este ejemplo, veremos el método add() que se usa para agregar una capa en la parte superior de la capa. Toma capa como parámetro y devuelve vacío. 

import * as tf from "@tensorflow/tfjs"
 
// Importing the tensorflow.js library
const tf = require("@tensorflow/tfjs")
 
async function run() {
    // Creating Instance
    const gfg_Instance = tf.sequential();
 
    // Adding first Layer
    const Layer1 = tf.layers.dense({ units: 6, inputShape: [2] });
    gfg_Instance.add(Layer1);
 
    // Adding second layer
    const layer2 = tf.layers.dense({ units: 3, activation: 'sigmoid' })
    gfg_Instance.add(layer2);
 
    // Adding third layer
    const layer3 = tf.layers.dense({ units: 2, activation: 'sigmoid' })
    gfg_Instance.add(layer3);
 
    // Predicting data with layer model.
    const random = tf.randomNormal([4, 2]);
    gfg_Instance.predict(random).print();
}
 
// Function call
run();

Producción: 

Tensor
    [[0.5581576, 0.3110509],
     [0.546664 , 0.3369413],
     [0.5634928, 0.2920811],
     [0.5309308, 0.3545613]]

Ejemplo 2: En este ejemplo, veremos el método summary() que se utiliza para imprimir un resumen de instancia de capa. Toma la longitud de línea, que es la longitud personalizada del resumen, y las posiciones, que es el ancho de la columna de resumen, y por último, la función de impresión que se utiliza para personalizar la salida del resumen. Vuelve vacío. 

// Importing the tensorflow.js library
const tf = require("@tensorflow/tfjs")
 
async function run() {
    // Creating Instance
    const gfg_Instance = tf.sequential();
 
    // Adding first Layer
    const Layer1 = tf.layers.dense({ units: 6, inputShape: [2] });
    gfg_Instance.add(Layer1);
     
    // Adding second layer
    const layer2 = tf.layers.dense({ units: 3, activation: 'sigmoid' })
    gfg_Instance.add(layer2);
     
    // Adding third layer
    const layer3 = tf.layers.dense({ units: 2, activation: 'sigmoid' })
    gfg_Instance.add(layer3);
     
    // Printing summary of layer model
    gfg_Instance.summary();
}
 
// Function call
run();

Producción:

_________________________________________________________________
Layer (type)                 Output shape              Param #   
=================================================================
dense_Dense34 (Dense)        [null,6]                  18        
_________________________________________________________________
dense_Dense35 (Dense)        [null,3]                  21        
_________________________________________________________________
dense_Dense36 (Dense)        [null,2]                  8         
=================================================================
Total params: 47
Trainable params: 47
Non-trainable params: 0
_________________________________________________________________

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