4. 定义模型架构

在本部分中，我们将编写代码来描述模型架构。模型架构其实就是“模型在执行时会运行的函数”，换一种说法就是“我们的模型将用于计算答案的算法”。

机器学习模型是指接受输入并生成输出的算法。使用神经网络时，算法是一组神经元层，其中权重（数字）控制着其输出。训练过程会学习这些权重的理想值。

将以下函数添加到您的
script.js 文件来定义模型架构。

  1. function createModel() {
  2.   // Create a sequential model
  3.   const model = tf.sequential();
  5.   // Add a single input layer
  6.   model.add(tf.layers.dense({inputShape: [1], units: 1, useBias: true}));
  8.   // Add an output layer
  9.   model.add(tf.layers.dense({units: 1, useBias: true}));
  11.   return model;
  12. }

这是我们在 tensorflow.js 中定义的一个最简单的模型，让我们来详细介绍每一行。

实例化模型

  1. const model = tf.sequential();

这样会实例化[tf.Model](https://js.tensorflow.org/api/latest/#class:Model)对象。此模型是 sequential，因为其输入直接向下流至其输出。其他类型的模型可以有分支，甚至可以有多个输入和输出，但在许多情况下，模型将是贯序的。贯序模型还更易于使用 API。

添加层

  1. model.add(tf.layers.dense({inputShape: [1], units: 1, useBias: true}));

此操作会向我们的网络添加输入层，从而自动连接到包含一个隐藏单元的 dense 层。 dense 是一种层，可将输入与矩阵（称为“权重”）相乘，并向结果添加一个数字（称为“偏差”）。由于这是网络的第一层，因此我们需要定义 inputShape。inputShape 是 [1]，因为我们将 1 数字用作输入（某辆指定汽车的马力）。

units 用于设置权重矩阵在层中的大小。将其设置为 1 即表示数据的每个输入特征的权重为 1。

注意：默认情况下，密集层带有一个偏差项，因此我们无需将 useBias 设置为 true，并在对 tf.layers.dense 的后续调用中省略这一步

  1. model.add(tf.layers.dense({units: 1}));

上述代码用于创建我们的输出层。我们将 units 设置为 1，因为我们想要输出数字 1。

注意：在此样本中，因为隐藏层有 1 个单元，所以我们实际上不需要在上方添加最终输出层（也就是说，我们可以将隐藏层作为输出层）。但是，通过定义单独的输出层，我们可以修改隐藏层中的单元数量，同时保留输入和输出的一对一映射。

创建实例

将以下代码添加到
我们之前定义的 run 函数。

  1. // Create the model
  2. const model = createModel();
  3. tfvis.show.modelSummary({name: 'Model Summary'}, model);

这样将创建模型的实例，并显示网页上各层的摘要。