ML07 | XOR回归训练：多层神经网络

Javascript玩转机器学习07

前端机器学习

2020/1/8

1分钟阅读

XOR 异或逻辑回归

不是线性问题
需要多层神经网络+激活函数来解决

Google Playground网站

用TFJS写的可视化学习机器学习的网站

加载XOR数据集

//调脚本接口生成模拟数据
const data = getData(400);
console.log(data);

模拟数据数据结构：

//可视化
tfvis.render.scatterplot(
    { name: "XOR训练数据" },
    {
        values: [
            data.filter(p => p.label === 1),
            data.filter(p => p.label === 0)
        ]
    }
);

可视化结果

定义模型结构：多层神经网络

初始化一个神经网络模型
为模型添加两个层：隐藏层+输出层
设计层的激活函数、inputShape、神经元个数

//初始化一个 sequential model
    const mdoel = tf.sequential();

    //添加一个隐藏层（全连接层）
    mdoel.add(
        tf.layers.dense({
            units: 4,
            inputShape: [2], //只有第一层需要设置inputShape
            activition: "relu"
        })
    );

    //添加一个输出层（全连接层）
    model.add(
        tf.layers.dense({
            units: 1,
            activition: "sigmoid" //需要输出[0,1]之间的概率所以选sigmoid
        })
    );

定义模型的损失函数和优化器

//定义模型的损失函数和优化器
model.compile({
    loss: tf.losses.logLoss,
    optimizer: tf.train.adam(0.1)
});

训练模型并预测

训练数据转换为tensor

//训练数据转换为tensor
const inputs = tf.tensor(data.map(p => [p.x, p.y]));
const labels = tf.tensor(data.map(p => p.label));

训练模型并可视化训练过程

//训练
await model.fit(inputs, labels, {
    epochs: 10,
    callbacks: tfvis.show.fitCallbacks({ name: "XOR训练过程" }, ["loss"])
});

训练过程
进行预测

//预测
window.predict = form => {
    const pred = model.predict(
        tf.tensor([[form.x.value * 1, form.y.value * 1]])
    );
    alert(`预测结果：${pred.dataSync()[0]}`);
};