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.momemtum() se usa para crear un tf.MomentumOptimizer que usa un algoritmo decente de gradiente de momento.
Sintaxis:
tf.train.momentum(learningRate, momentum, useNesterov)
Parámetros:
- learningRate (número): especifica la tasa de aprendizaje que utilizará el algoritmo de descenso del gradiente de impulso.
- impulso (número): especifica el impulso que utilizará el algoritmo de descenso del gradiente de impulso.
- useNesterov (booleano): Especifica si se usa o no el impulso nesterov. Es un parámetro opcional.
Valor devuelto: Devuelve un tf.MomentumOptimizer
Ejemplo 1: Ajuste una función f=(a*x+b) utilizando un optimizador de momento, aprendiendo los coeficientes a y b. En este ejemplo usaremos el impulso nesterov. Entonces useNestrov será cierto.
Javascript
// Importing tensorflow import * as tf from "@tensorflow/tfjs" const xs = tf.tensor1d([0, 1, 2]); const ys = tf.tensor1d([1.1, 5.9, 16.8]); const a = tf.scalar(Math.random()).variable(); const b = tf.scalar(Math.random()).variable(); const f = x => a.mul(x).add(b); const loss = (pred, label) => pred.sub(label).square().mean(); const learningRate = 0.01; const momentum = 10; const useNestrov = true; const optimizer = tf.train.momentum(learningRate, momentum, useNestrov); // 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: 1982014720, b:1076448384 x: 0, pred: 1076448384 x: 1, pred: 3058463232 x: 2, pred: 5040477696
Ejemplo 2: Ajuste una ecuación cuadrática usando un optimizador de momento, aprendiendo los coeficientes a y b. En este ejemplo no usaremos el impulso nesterov. Entonces useNestrov será falso.
Javascript
// 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]); const a = tf.scalar(Math.random()).variable(); const b = tf.scalar(Math.random()).variable(); const c = tf.scalar(Math.random()).variable(); const f = x => a.mul(x.square()).add(b.mul(x)).add(c); const loss = (pred, label) => pred.sub(label).square().mean(); const learningRate = 0.01; const momentum = 10; const useNestrov = false; const optimizer = tf.train.momentum(learningRate, momentum, useNestrov); // 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()}, c: ${c.dataSync()}`); const preds = f(xs).dataSync(); preds.forEach((pred, i) => { console.log(`x: ${i}, pred: ${pred}`); });
Producción:
a: 892235776, b: 331963616, c: 134188384 x:0, pred: 134188384 x:1, pred: 1358387840 x:2, pred: 4367058944 x:3, pred: 9160201216
Referencia: https://js.tensorflow.org/api/1.0.0/#train.momentum
Publicación traducida automáticamente
Artículo escrito por abhinavjain194 y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA