Tensorflow.js es una biblioteca de JavaScript desarrollada por Google para ejecutar y entrenar modelos de aprendizaje automático en el navegador o en Node.js. La función Tensorflow.js tf.layers.conv1d() se usa para crear una capa de convolución. Se utiliza para aplicar convolución 1d a los datos de entrada. La capa convolucional se usa para hacer un filtro que se usa para filtrar los datos de entrada en la salida deseada.
Sintaxis:
tf.layers.conv1d(args);
Parámetros: Esta función acepta los siguientes parámetros:
- args: este es un tipo de objeto que contiene los siguientes valores:
- filtros: Es el número que define la dimensión del tensor de salida. Es el número de filtros en la convolución.
- kernelSize: define la ventana de convolución para las capas de convolución, lo que significa que el subconjunto de datos de entrada se toma a la vez.
- zancadas: Define la unidad a mover en los datos de entrada por la capa de convolución en cada dimensión.
- relleno: define el relleno de la capa de convolución, lo que significa que equivale a datos agregados a los datos de entrada durante el procesamiento. Su valor puede ser ‘válido’, ‘mismo’ y ‘causal’.
- dataFormat: define el formato de datos de los datos de entrada, ya que los datos están en ‘channelsFirst’ o en ‘channelsLast’.
- dilationRate: Se utiliza para dilatar la convolución en cada dimensión. Se utiliza para definir el espacio entre los valores en kernel.
- activación: Define la función de activación a utilizar para los datos de entrada.
- useBias: se utiliza para tomar decisiones sobre el uso o no del vector de sesgo.
- kernelInitializer: Es el peso inicial para el kernel en la capa de convolución. Define la forma de establecer los pesos aleatorios iniciales de las capas de convolución.
- biasInitializer: Es el peso inicial para el vector de polarización de la capa de convolución.
- kernelConstraint: es la restricción para el peso del núcleo de la capa de convolución que se utiliza para aumentar la eficiencia.
- biasConstraint: Es la restricción para que el vector de polarización de la capa de convolución aumente la eficiencia.
- kernelRegularizer: Es la función regularizadora que se aplica a la array del peso del kernel para regularizarlo.
- biasRegularizer: Es la función regularizadora que se aplica al vector bias para regularizarlo.
- activityRegularizer: es la función que se aplica a la activación con fines de regularización.
- inputShape: declaró que esta capa acepta la capa de entrada de esta forma. solo se usa para la capa de entrada.
- batchInputShape: define el tamaño del lote de la capa de entrada. Se utiliza para la capa de entrada.
- batchSize: se utiliza como complemento de batchInputShape en el proceso de creación de la capa de entrada.
- dtype: define el tipo de datos para esta capa. ‘float32’ es el valor predeterminado para la capa.
- entrenable: Se utiliza para hacer capa entrenable de función o no.
- pesos: Es el valor del peso inicial de esta capa.
- inputDtype: Se utiliza para decidir el tipo de datos de la capa de entrada.
Devoluciones: Conv1D
Ejemplo 1: en este ejemplo, crearemos un modelo secuencial y le agregaremos la capa de convolución 1d con filter, kernelSize, inputShape y activación. Por fin compilamos nuestro modelo con capas y vemos el resumen del mismo.
Javascript
import * as tf from "@tensorflow/tfjs" // Creating model const geek_Model = tf.sequential(); // Adding inputLayer layer const geek_config = {inputShape: [7,4]}; const geek_layer1 = tf.layers.inputLayer(geek_config); geek_Model.add(geek_layer1); // Adding convolution layer const geek_config2 = { filters:10,kernelSize:7 ,inputShape:[28,1], activation: 'relu'}; const geek_layer2 = tf.layers.conv1d(geek_config2); //console.log(y.shape); geek_Model.add(geek_layer2); // Adding dense layer const geek_config3 = { units:7, activation: 'softmax' }; const geek_layer3 = tf.layers.dense(geek_config3); geek_Model.add(geek_layer3) // Compiling our model const geek_config4 = { optimizer: 'sgd', loss: 'meanSquaredError' }; geek_Model.compile(geek_config4); // Printing our summary geek_Model.summary()
Producción:
_________________________________________________________________ Layer (type) Output shape Param # ================================================================= input1 (InputLayer) [null,7,4] 0 _________________________________________________________________ conv1d_Conv1D1 (Conv1D) [null,1,10] 290 _________________________________________________________________ dense_Dense1 (Dense) [null,1,7] 77 ================================================================= Total params: 367 Trainable params: 367 Non-trainable params: 0 _________________________________________________________________
Ejemplo 2: En este ejemplo, veremos cómo la capa de convolución filtra los datos de entrada según la configuración. Aquí hacemos una capa de convolución con inputShape, filter, kernelSize, activación y compilamos el modelo con ella. Con la capa de convolución filtrada, usamos la función de predicción para los datos de entrada.
Javascript
import * as tf from "@tensorflow/tfjs" // Input Layer for model const geek_config = {shape:[3,4]}; const geek_InputL = tf.input(geek_config); console.log(`Input layer shape : ${geek_InputL.shape}`); // Convolution For the model const geek_config2 = { filters:2,kernelSize:2 ,inputShape:[3,4], activation: 'sigmoid'}; const geek_convLayer = tf.layers.conv1d(geek_config2).apply(geek_InputL); console.log(`Convolution layer shape : ${geek_convLayer.shape}`); // Adding layer to the model const geek_config3 = {inputs:geek_InputL, outputs:geek_convLayer}; const model = tf.model(geek_config3); // Compiling the model const geek_config4 = {optimizer:'sgd',loss:'meanSquaredError'}; model.compile(geek_config4); // Predicting the value for the input const geek_Test = tf.randomUniform([3,3,4]); model.predict(geek_Test).print();
Producción:
Input layer shape : ,3,4 Convolution layer shape : ,2,2 Tensor [[[0.5468831, 0.4990641], [0.3059803, 0.4743758]], [[0.4450175, 0.4848864], [0.3678558, 0.4276305]], [[0.4802476, 0.5687023], [0.4083693, 0.4854257]]]
Referencia: https://js.tensorflow.org/api/3.6.0/#layers.conv1d
Publicación traducida automáticamente
Artículo escrito por satyam00so y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA