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.
Javascript
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.
Javascript
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
Publicación traducida automáticamente
Artículo escrito por satyam00so y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA