TensorFlow.js - 根据 2D 数据进行预测--训练模型

6. 训练模型

创建模型实例并将数据表示为张量之后，我们就可以开始训练过程了。

将以下函数复制到您的
script.js 文件中。

async function trainModel(model, inputs, labels) {
  // Prepare the model for training.
  model.compile({
    optimizer: tf.train.adam(),
    loss: tf.losses.meanSquaredError,
    metrics: ['mse'],
  });
  const batchSize = 32;
  const epochs = 50;
  return await model.fit(inputs, labels, {
    batchSize,
    epochs,
    shuffle: true,
    callbacks: tfvis.show.fitCallbacks(
      { name: 'Training Performance' },
      ['loss', 'mse'],
      { height: 200, callbacks: ['onEpochEnd'] }
    )
  });
}

我们来详细介绍一下。

为训练做好准备

// Prepare the model for training.
model.compile({
  optimizer: tf.train.adam(),
  loss: tf.losses.meanSquaredError,
  metrics: ['mse'],
});

在我们训练模型之前，我们必须对其进行“编译”。为此，我们必须指定一些非常重要的事项：

• optimizer：这是用于控制模型更新的算法，如样本所示。TensorFlow.js 中提供了许多优化器。我们选择了 Adam 优化器，因为它在实际使用中非常有效，无需进行任何配置。
• loss：这是一个函数，用于告知模型在学习所显示的各个批次（数据子集）时的表现如何。我们使用 meanSquaredError 将模型所做的预测与真实值进行比较。

  const batchSize = 32;
  const epochs = 50;

接下来，我们将选择 batchSize 和多个周期：

• batchSize 是指模型在每次训练迭代时会看到的数据子集的大小。常见的批次大小通常介于 32-512 之间。对于所有问题，实际上并没有理想的批次大小，并且描述各种批次大小的数学动机超出了本教程的范围。
• epochs 表示模型查看您提供的整个数据集的次数。我们将对数据集执行 50 次迭代。

启动训练循环

return await model.fit(inputs, labels, {
  batchSize,
  epochs,
  callbacks: tfvis.show.fitCallbacks(
    { name: 'Training Performance' },
    ['loss', 'mse'],
    { height: 200, callbacks: ['onEpochEnd'] }
  )
});

model.fit 是您为了启动训练循环而调用的函数。这是一个异步函数，因此我们会返回它提供的 promise，以便调用方确定训练何时完成。

为了监控训练进度，我们会将一些回调传递给 model.fit。我们使用 tfvis.show.fitCallbacks 来生成可为我们之前指定的“损失”和“均方误差’”指标绘制图表的函数。

综合应用

现在，我们必须调用通过 run 函数定义的函数。

将以下代码添加到
run 函数的底部。

// Convert the data to a form we can use for training.
const tensorData = convertToTensor(data);
const {inputs, labels} = tensorData;
// Train the model
await trainModel(model, inputs, labels);
console.log('Done Training');

刷新页面几秒钟后，您应该会看到以下图表更新。

这是由我们之前创建的回调创建的。它们显示每个周期结束时整个数据集的平均损失和均方误差。

在训练模型时，我们希望看到损失下降。在本例中，由于我们的指标是用来衡量错误的，因此我们还希望看到该指标下降。

如果您想要了解训练时后台发生的情况，请参阅我们的指南或观看由 3blue1brown 制作的视频。