Tensorflow.js tf.train.Optimizer clase .applyGradients() Método

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.

Tensorflow.js tf.train.Optimizer .apply Gradients( ) se usa para actualizar variables mediante el uso de gradientes calculados.

Sintaxis: 

Optimizer.applyGradients( variableGradients );

Parámetros:

  • variableGradients( { [ nombre : String ] : tf.Tensor } | NamedTensor[ ]):   una asignación del nombre de la variable a su valor de gradiente.

Devoluciones: nulo

Ejemplo 1:   En este ejemplo, actualizaremos el valor de la variable con la ayuda del método applyGradients( ) del optimizador de valor predeterminado. 

Javascript

// Importing tensorflow
import * as tf from "@tensorflow/tfjs"
     
const xs = tf.tensor1d([0, 1, 2]);
const ys = tf.tensor1d([1.58, 2.24, 3.41]);
     
const x = tf.scalar(Math.random()).variable();
const y = tf.scalar(Math.random()).variable();
     
// Define a function f(x) = x^2 + y.
const f = x => (x.square()).add(y);
 
     
const learningRate = 0.05;
     
// Create adagrad optimizer
const optimizer =
tf.train.rmsprop(learningRate);
     
 
 
// Updating variable
const varGradients = f(xs).dataSync();
for (let i = 0; i < 5; i++){
  optimizer.applyGradients(varGradients);
}
 
// Make predictions.
console.log(
`x: ${x.dataSync()}, y: ${y.dataSync()}`);
const preds = f(xs).dataSync();
preds.forEach((pred, i) => {
console.log(`x: ${i}, pred: ${pred}`);
});

Producción:  

x: -0.526353657245636, y: 0.15607579052448273
x: 0, pred: 0.15607579052448273
x: 1, pred: 1.1560758352279663
x: 2, pred: 4.156075954437256

Ejemplo 2:   En este ejemplo, actualizaremos la variable con la ayuda del método applyGradients() del optimizador personalizado.  

Javascript

// Importing tensorflow
import * as tf from "@tensorflow/tfjs"
     
const xs = tf.tensor1d([0, 1, 2, 3]);
const ys = tf.tensor1d([1.3, 3.7, 12.4, 26.6]);
     
// Choosing random coefficients
const a = tf.scalar(Math.random()).variable();
const b = tf.scalar(Math.random()).variable();
const c = tf.scalar(Math.random()).variable();
     
// Defining function f = (a*x^2 + b*x + c)
const f = x => a.mul(x.mul(3)).add(b.square(x)).add(c);
 
     
// Setting configurations for our optimizer
const learningRate = 0.01;
const initialAccumulatorValue = 10;
 
     
// Create the Optimizer
const optimizer = tf.train.adagrad(learningRate,
        initialAccumulatorValue);
     
// Updating variable
 const varGradients = f(xs).dataSync();
 for (let i = 0; i < 8; i++){
 optimizer.applyGradients(varGradients)}
 
// 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: 0.032658617943525314,
    b: 0.9213025569915771, c: 0.7167015671730042
x: 0, pred: 1.565500020980835
x: 1, pred: 1.663475751876831
x: 2, pred: 1.7614517211914062
x: 3, pred: 1.8594274520874023

Referencia: https://js.tensorflow.org/api/3.8.0/#tf.train.Optimizer.applyGradients

Publicación traducida automáticamente

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

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *