Esempio 2 Formazione
Funzione di formazione
async function trainModel(model, inputs, labels, surface) {
const batchSize = 25;
const epochs = 100;
const callbacks = tfvis.show.fitCallbacks(surface, ['loss'], {callbacks:['onEpochEnd']})
return await model.fit(inputs, labels,
{batchSize, epochs, shuffle:true, callbacks:callbacks}
);
}
epochs definisce quante iterazioni (loop) eseguirà il modello.
model.fit è la funzione che esegue i cicli.
callbacks definisce la funzione di callback da chiamare quando il modello vuole ridisegnare la grafica.
Metti alla prova il modello
Quando un modello viene addestrato, è importante testarlo e valutarlo.
A tal fine, ispezionando ciò che il modello prevede per una gamma di input diversi.
Ma, prima di poterlo fare, dobbiamo annullare la normalizzazione dei dati:
A Normalizzare
let unX = tf.linspace(0, 1, 100);
let unY = model.predict(unX.reshape([100, 1]));
const unNormunX = unX.mul(inputMax.sub(inputMin)).add(inputMin);
const unNormunY = unY.mul(labelMax.sub(labelMin)).add(labelMin);
unX = unNormunX.dataSync();
unY = unNormunY.dataSync();
Quindi possiamo guardare il risultato:
Traccia il risultato
const predicted = Array.from(unX).map((val, i) => {
return {x: val, y: unY[i]}
});
// Plot the Result
tfPlot([values, predicted], surface1)