ဥပမာ ၂ သင်တန်း
လေ့ကျင့်ရေးလုပ်ဆောင်ချက်
async function trainModel(model, inputs, labels, surface) {
const batchSize = 25;
const epochs = 100;
const callbacks = tfvis.show.fitCallbacks(surface, ['loss'], {callbacks:['onEpochEnd']})
return await model.fit(inputs, labels,
{batchSize, epochs, shuffle:true, callbacks:callbacks}
);
}
မော်ဒယ်သည် အကြိမ်မည်မျှ ထပ်ကာထပ်ကာ (loops) ကို သတ်မှတ်သည် ။
model.fit သည် loops ကို run သည့် function ဖြစ်သည်။
မော်ဒယ်သည် ဂရပ်ဖစ်ကို ပြန်လည်ရေးဆွဲလိုသည့်အခါ callbacks သည် ခေါ်ဆိုရန် ပြန်ခေါ်သည့် လုပ်ဆောင်ချက်ကို သတ်မှတ်သည် ။
Model ကိုစမ်းသပ်ပါ။
မော်ဒယ်တစ်ခုအား လေ့ကျင့်သင်ကြားသောအခါ၊ ၎င်းကို စမ်းသပ်ပြီး အကဲဖြတ်ရန် အရေးကြီးပါသည်။
မတူညီသော သွင်းအားစုအကွာအဝေးအတွက် မော်ဒယ်က ခန့်မှန်းထားသည်များကို စစ်ဆေးခြင်းဖြင့် ၎င်းကို ကျွန်ုပ်တို့လုပ်ဆောင်ပါသည်။
သို့သော်၊ ကျွန်ုပ်တို့ ထိုသို့မလုပ်ဆောင်မီ၊ ကျွန်ုပ်တို့သည် ဒေတာကို ပုံမှန်ပြန်ဖျက်ရန် လိုအပ်သည်-
ပုံမှန်လုပ်ပါ။
let unX = tf.linspace(0, 1, 100);
let unY = model.predict(unX.reshape([100, 1]));
const unNormunX = unX.mul(inputMax.sub(inputMin)).add(inputMin);
const unNormunY = unY.mul(labelMax.sub(labelMin)).add(labelMin);
unX = unNormunX.dataSync();
unY = unNormunY.dataSync();
ပြီးရင် ရလဒ်ကို ကြည့်နိုင်ပါတယ်။
ရလဒ်ကိုဆွဲပါ။
const predicted = Array.from(unX).map((val, i) => {
return {x: val, y: unY[i]}
});
// Plot the Result
tfPlot([values, predicted], surface1)