Tensorflow дает ложные результаты
Это простейшая проблема, которую я могу придумать, чтобы проверить точность tf. Но это не дает мне удовлетворительных результатов. У меня есть собственные модели, и для такой задачи они даже не требуют обучения, потому что ошибка уже в нулях. Что-то не так с моим пониманием / кодом и т. д.? Он должен давать точные ответы, например, .11, .06 (мои модели .net делают)
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [2]}));
model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});
const xs = tf.tensor2d([.01, .02, .03, .04, .05, .06], [3, 2]);
const ys = tf.tensor2d([.03, .07, .11], [3, 1]);
model.fit(xs, ys).then(() => {
model.predict(tf.tensor2d([.05,.06,.02,.03], [2, 2])).print();
});
Спасибо @MadWombat, добавлен тег JS. Я знаю, что TF требует обучения. Остальные модели на заказ могут быть разными. Для такой проблемы, как эта, даже если вы установите все веса, скажем, «1», прогнозируемая линия должна почти перекрывать фактическую линию, потому что проблема слишком проста. Вот что я имел в виду. Однако ТФ (после тренировки) по-прежнему дает очень неудовлетворительные результаты. Почему?
Вы не инициализируете веса, поэтому они, вероятно, установлены в 0. Вы не передаете никаких конфигураций в fit (), поэтому он, вероятно, выполняет ровно один проход обратного распространения. Таким образом, вы получаете довольно случайные результаты. Не знаю, почему вы удивлены.
Если вы явно установите вес на 1, вы волшебным образом добьетесь гораздо лучших результатов.
@MadWombat Как инициализировать веса в tf.js?
Вы читаете документы. В документации для плотного слоя у вас есть аргумент с именем config, а в конфигурации вы можете установить для параметра kernelInitializer значение «единицы». js.tensorflow.org/api/0.13.0/#layers.dense
@MadWombat Я разобрался. Не было никаких проблем, за исключением того, что я использовал очень мало эпох каждый раз, полагая, что 1 эпоха означает одно прохождение через все веса.
![Безумие обратных вызовов в javascript [JS]](https://i.imgur.com/WsjO6zJb.png)
Ответы 1
С вашей моделью существует только одна эпоха обучения. В результате модель не дает ложных результатов, как вы предлагали. Я бы сказал, что это дает случайные результаты. Происходит следующее: в течение первой эпохи веса вашего слоя инициализируются случайным образом. Простое изменение количества эпох приведет к лучшим результатам.
Также возможно настроить веса во время инициализации, вызвав инициализатор для значения kernelInitializer при установке плотный слой.
Вот модель, обученная с 10 эпохами, которая будет работать лучше, чем модель с одной эпохой.
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [2]}));
model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});
const xs = tf.tensor2d([.01, .02, .03, .04, .05, .06], [3, 2]);
const ys = tf.tensor2d([.03, .07, .11], [3, 1]);
model.fit(xs, ys, {epochs: 100}).then(() => {
model.predict(tf.tensor2d([.05,.06,.02,.03], [2, 2])).print();
});<html>
<head>
<!-- Load TensorFlow.js -->
<script src = "https://cdn.jsdelivr.net/npm/@tensorflow/[email protected]"> </script>
</head>
<body>
</body>
</html>Похожий ответ можно найти здесь
Возможно, вы захотите пометить язык, на котором пишете. Основной API Tensorflow находится на python, а это не на python. Но ваш единственный тег - tenorflow. Но не важно. Когда вы вызываете fit (), вы фактически обучаете модель с помощью SGD. И я не уверен, почему вы думаете, что ваша модель не требует обучения. Вы не инициализируете веса или что-то еще, поэтому ваша модель каким-то образом должна их изучить.