共计 2942 个字符,预计需要花费 8 分钟才能阅读完成。
前言
因为最近接触了 tensorflow.js,出于试一下的心态,想通过线性回归预测一下博客的粉丝走向和数量,后果翻车了。尽管场景用错中央,然而整个实战办法用在身高体重等方面的预测还是有可行性,所以就记录下来了。
需要
依据某博客或论坛,抓取一下博主的拜访总量和粉丝总量,剖析其关联,训练数据,最初通过输出指定拜访数量预测吸粉总数。
Tensorflow.js
Tensorflow.js 是一个能够在浏览器或 Node 环境利用 JavaScript 语法运行深度学习。让前端就能够实现相似依据图片类型的含糊搜寻,语音辨认管制网页,图片的人像辨认等性能,既加重服务器训练压力,也爱护了用户隐衷 (在非凡场景下,不必将图片传到服务器后做人像标识)。
技术清单
- tensorflow.js
- parcel
- tfjs-vis
实战
实战是须要本地有 Node 环境,并且装置了 npm 等包管理工具,对于这些的装置这里就略过了。次要是我的项目的搭起,线性回归的编码以及运行后果。
. 我的项目搭建
(1). 创立我的项目目录和 package.json
{
"name": "tensorflow-test",
"version": "1.0.0",
"description": "","main":"index.js","dependencies": {"@tensorflow-models/speech-commands":"^0.4.0","@tensorflow/tfjs":"^1.3.1","@tensorflow/tfjs-node":"^1.2.9","@tensorflow/tfjs-vis":"^1.2.0"},"devDependencies": {},"scripts": {"test":"echo \"Error: no test specified\" && exit 1"},"author":"",
"license": "ISC",
"browserslist": ["last 1 Chrome version"]
}
(2). 切换到当前目录,运行 npm install 进行装置
(3). 在当前目录下创立目录和运行文件。
(4). 装置 parcel,一个打包工具。npm install -g parcel-bundler
- 编码
(1). 页面须要有数据训练过程图和模型下载按钮。
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title> 粉丝数量预测 </title>
</head>
<body>
<button onclick="download()"> 保留模型 </button>
</body>
<script src="script.js"></script>
</html>
(2). 线性回归根本流程
(3). 编码
import * as tf from '@tensorflow/tfjs';
import * as tfvis from '@tensorflow/tfjs-vis';
window.onload = async () => {
// 浏览量 - 粉丝量
const flows = [20333,25759,101190,86334,265252,1366198,166114,109979,371423,1291843,1239191,225711,1163189,882702,31415,678478,545108,1304729,73479,2515393,1714555,344847,3147811,1626033,3702785,377376,258472,312769,540292,616665,1207153,2577882,11564515,28231,328984,585611,595275];
const fans = [0,494,6618,3411,12023,7791,65,7109,14014,11840,1202,266,7915,7503,2216,33265,284,34849,4188,41721,25384,1269,62207,20754,192980,28601,7645,1779,13112,10824,4612,548,2311,44,34,259,150];
tfvis.render.scatterplot({name: 'csdn 浏览量和粉丝量关联'},
{values: flows.map((x, i) => ({x,y:fans[i]}))},
{xAxisDomain: [20333, 11600000],
yAxisDomain: [0, 200000]
}
);
// 对数据集进行归一化解决
const inputs = tf.tensor(flows).sub(20333).div(11544182);
const lables = tf.tensor(fans).div(192980);
const model = tf.sequential();
// 给模型增加层级和神经元
//model.add(tf.layers.dense({unit: 1, inputShape: [1]}));
model.add(tf.layers.dense({ units: 1, inputShape: [1] }));
// 配置模型训练,设置损失计算函数 (均方差等),优化器的 SGD 配置
model.compile({loss: tf.losses.meanSquaredError, optimizer: tf.train.sgd(0.1)});
// 开始训练
// await model.fit(
// inputs,
// lables,
// {
// batchSize:37,
// epochs:200,
// callbacks: tfvis.show.fitCallbacks(// {name: '训练过程'},
// ['loss', 'val_loss', 'acc', 'val_acc'],
// {callbacks: ['onEpochEnd'] }
// )
// }
// );
await model.fit(
inputs,
lables,
{
batchSize:37,
epochs:200,
callbacks: tfvis.show.fitCallbacks({ name: '训练过程'},
['loss']
)
}
);
// 模型预测,输出浏览量输入预测的粉丝数
const output = model.predict(tf.tensor([165265]).sub(20333).div(11544182));
//const output = model.predict(tf.tensor([180]).sub(150).div(20));
alert('165265 预测粉丝数'+output.mul(192980).dataSync()[0]);
// 保留模型
window.download = async () => {await model.save('downloads://my-model');
}
};
(4). 打包并运行 parcel tf_test/index.html
(5). 运行成果
正文完
发表至: tensorflow
2023-04-23