TensorFlow.js - 根据 2D 数据进行预测--做出预测

7. 做出预测

现在模型已经过训练，我们需要进行一些预测。让我们查看模型对均匀范围内的数字（从低到高的马力）的预测情况，从而对其进行评估。

将以下函数添加到您的 script.js 文件中

function testModel(model, inputData, normalizationData) {
  const {inputMax, inputMin, labelMin, labelMax} = normalizationData;
  // Generate predictions for a uniform range of numbers between 0 and 1;
  // We un-normalize the data by doing the inverse of the min-max scaling
  // that we did earlier.
  const [xs, preds] = tf.tidy(() => {
    const xs = tf.linspace(0, 1, 100);
    const preds = model.predict(xs.reshape([100, 1]));
    const unNormXs = xs
      .mul(inputMax.sub(inputMin))
      .add(inputMin);
    const unNormPreds = preds
      .mul(labelMax.sub(labelMin))
      .add(labelMin);
    // Un-normalize the data
    return [unNormXs.dataSync(), unNormPreds.dataSync()];
  });
  const predictedPoints = Array.from(xs).map((val, i) => {
    return {x: val, y: preds[i]}
  });
  const originalPoints = inputData.map(d => ({
    x: d.horsepower, y: d.mpg,
  }));
  tfvis.render.scatterplot(
    {name: 'Model Predictions vs Original Data'},
    {values: [originalPoints, predictedPoints], series: ['original', 'predicted']},
    {
      xLabel: 'Horsepower',
      yLabel: 'MPG',
      height: 300
    }
  );
}

在上述函数中需要注意的一些事项。

const xs = tf.linspace(0, 1, 100);
const preds = model.predict(xs.reshape([100, 1]));

我们生成了 100 个新“样本”，以提供给模型。Model.predict 是我们将这些样本提供给模型的方式。请注意，它们必须具有与训练时相似的形状 ([num_examples, num_features_per_example])。

// Un-normalize the data
const unNormXs = xs
  .mul(inputMax.sub(inputMin))
  .add(inputMin);
const unNormPreds = preds
  .mul(labelMax.sub(labelMin))
  .add(labelMin);

要将数据恢复到原始范围（而非 0-1），我们会使用归一化过程中计算的值，但只是进行逆运算。

return [unNormXs.dataSync(), unNormPreds.dataSync()];

[.dataSync()](https://js.tensorflow.org/api/latest/#tf.Tensor.dataSync)是一种用于获取张量中存储的值的 typedarray 的方法。这使我们能够在常规 JavaScript 中处理这些值。这是通常首选的[.data()](https://js.tensorflow.org/api/latest/#tf.Tensor.data)方法的同步版本。
最后，我们使用 tfjs-vis 来绘制原始数据和模型的预测。

将以下代码添加到您的
run 函数中。

// Make some predictions using the model and compare them to the
// original data
testModel(model, data, tensorData);

刷新页面，您应会在模型完成训练后看到如下内容。

恭喜！您刚刚训练了一个简单的机器学习模型。目前，它会执行所谓的线性回归，从而尝试将一条线与输入数据中的趋势拟合。