JavaScript之機器學習5:Tensorflow.js 多分類任務

案例：鳶尾花（iris）分類
操作步驟

1. 加載IRIS數據集（訓練集與驗證集）
2. 定義模型結構：帶有softmax的多層神經網絡
   • 初始化一個神經網絡模型
   • 爲神經網絡模型添加兩個層
   • 設計層的神經元個數，inputShape，激活函數
3. 訓練模型並預測
   • 交叉熵損失函數與準確度度量

主要示例代碼：

 <!-- index.html -->
<form action="" onsubmit="predict(this); return false;">
    花萼長度：<input type="text" name="a"><br>
    花萼寬度：<input type="text" name="b"><br>
    花瓣長度：<input type="text" name="c"><br>
    花瓣寬度：<input type="text" name="d"><br>
    <button type="submit">預測</button>
</form>

// index.js
import * as tf from '@tensorflow/tfjs';
import * as tfvis from '@tensorflow/tfjs-vis';
import { getIrisData, IRIS_CLASSES } from './data';

window.onload = async() => {
    //分別代表訓練集和驗證集的特徵和標籤  
    const [xTrain, yTrain, xTest, yTest] = getIrisData(0.15);  // 15%的數據用於驗證集
    // xTrain.print();
    // yTrain.print();
    // xTest.print();
    // yTest.print();
    // console.log(IRIS_CLASSES);
    // 定義模型結構
    const model = tf.sequential();
    model.add(tf.layers.dense({
        units: 10,
        inputShape:[xTrain.shape[1]], // 特徵長度：4
        activation: 'sigmoid'
    }));
    model.add(tf.layers.dense({
        units: 3,
        activation:'softmax'
    }));

    model.compile({
        loss:'categoricalCrossentropy',
        optimizer: tf.train.adam(0.1),
        metrics: ['accuracy']
    });

    await model.fit(xTrain, yTrain, {
        epochs: 100,
        validationData: [xTest, yTest],
        callbacks: tfvis.show.fitCallbacks(
            {name:'訓練效果'},
            ['loss','val_loss','acc','val_acc'],
            {callbacks:['onEpochEnd']}
        )
    });

    window.predict = (form) => {
        const input = tf.tensor([[
            form.a.value *1,
            form.b.value *1,
            form.c.value *1,
            form.d.value *1,
        ]]);
        const pred = model.predict(input);
        alert(`預測結果：${IRIS_CLASSES[pred.argMax(1).dataSync(0)]}`)
    }
};