背景
一年前就知道了 TensorFlow js 版的存在,一直没有去玩一下。最近一次偶然的机会,要协助同事处理过一个 TensorFlow.js
相关的 Demo 小程序,要使用 TensorFlow.js
结合小程序的照相机 API 功能,实现微信小程序扫描识别物体功能。该 Demo 主要是由 TensorFlow.js 官方项目 – https://github.com/tensorflow/tfjs-wechat/tree/master/demo/mobilenet 改造而来。后面开始看官方 demo 开始由最简单的 《TensorFlow.js 实现线性回归》 的例子开始学习,并捣鼓出这个《TensorFlow.js 娱乐版的双色球在线预测》。
工具由来
为什么叫《TensorFlow.js 娱乐版的双色球在线预测》?哈哈,因为双色球开的期数总数才 2510+ 期,作为训练模型 model
学习的基础数据也太小了。还有本身电脑的计算能力也有限,如果硬把学习次数 epochs
加非常高,可能电脑要运行几天才可以学习完并预测出结果哈,大家可以试试选用期数为 00000-20000
来作为训练模型 model
然后把学习次数 epochs
加高来进行预测。
费话不多说,直接关键源码分析
$(document).ready(function () { runTf('00000-20000', 1, 29999) // 默认打开运行预测 训练模型期号数据是 00000-20000,学习次数是 1 次,预测的期号是 29999 $('#btn').click(function () { // 点击按钮绑定处理 const modelVal = $('#model').val() const epochsVal = $('#epochs').val() const roundVal = $('#round').val() const tips = '<span class="tips pulse animated infinite">正在预测...</span>' if (!modelVal) { alert('请先选择历史数据模型训练(model)') return false } if (!epochsVal) { alert('请先输入学习次数(epochs)') return false } if (!roundVal) { alert('请先输入待预测的期号') return false } $('#micro-out-div').html(tips) runTf(modelVal, Number(epochsVal), Number(roundVal)) }) function runTf(historyModel, epochs, round) { // 关键函数 $('#table').load(`./ssq/history-${historyModel}.htm`, function () { // 加载相应的训练模型数据,来源于 500 彩票 http://kaijiang.500.com const rawArr = [] const xsArr = [] const yxArr = [] // 通过 dom 操作把源数据由 table 中抽取出来 $('#table .t_tr1').each(function () { let This = $(this) let str = '' This.find('td').each(function (n) { if (n === 0) { str += $(this).text() } else if (n < 8 && n > 0) { str += '|' + $(this).text() } }) let arr = str.split('|') arr = arr.map((_) => Number(_)) rawArr.push(arr) xsArr.push(arr[0]) yxArr.push(arr.slice(1)) }) async function run() { // 关键代码 // Sequential 序贯模型,序贯模型是函数式模型的简略版,为最简单的线性、从头到尾的结构顺序,不分叉,是多个网络层的线性堆叠。 const model = tf.sequential() // 使用.add() 方法将各层添加到模型中 model.add(tf.layers.dense({ units: 7, inputShape: [1] })) // Dense,支持通过参数 inputShape 指定输入尺寸,units: 该层的神经单元结点数(输出结果是 7 个球) // compile({loss, optimizer, metrics}) 编译模型,定义损失函数,优化函数,绩效评估函数 model.compile({ loss: 'binaryCrossentropy', optimizer: 'sgd' }) // metrics 可参考:https://js.tensorflow.org/api/1.7.2/#Metrics console.log('开始,gogogo!') // 下面其实定义使用 tensor / tensor1d / tensor2d 都没关系,最终 tensor1d / tensor2d ...3d... 都跟 tensor 效果一样,语法糖来的 const xs = tf.tensor(xsArr) // 定义一个张量(这里是历史期号) console.log(xs.shape) // 打印输入尺寸 const ys = tf.tensor(yxArr) // 定义一个张量(这里是上面 xs 的历史期号对应所有的开奖结果) console.log(ys.shape) // 打印输入尺寸 console.time('训练时间') console.log('开始训练...') await model.fit(xs, ys, { epochs: epochs }) // 导入数据进行训练 可参考:https://js.tensorflow.org/api/1.7.2/#tf.LayersModel.fit console.timeEnd('训练时间') console.log('结束训练') console.time('预测时间') console.log('开始预测...') const predicted = model // 为什么叫娱乐版的呢?因为下面出来的结果太失望了,要自己重新处理 .predict(tf.tensor2d([round], [1, 1])) // 预测自己输入的期号为 round 的结果 .abs() // 取绝对值 .floor() // 去掉小数点 .dataSync() // 得到的是一个 Float32Array,如果学习次数 epochs 太少的话,结果类似 [20661, 28071, 7391, 10978, 7883, 9646, 5441],WTF!太差了吗? .map((_, n) => { // 自己按号码规则求余优化成最终结果 return n !== 6 ? _ % 33 || 33 : _ % 16 || 16 }) const obj = {} // 判断出来的红球有没有重复 predicted.forEach((_, n) => { if (n !== 6) { obj[_] = 1 } }) if (Object.keys(obj).length < 6) { // 什么?出来的红球有重复?帮我重新预测吧 run() return false } // 下面是 dom 操作,打印预测结果 const predictedHtml = [...predicted] .map((_, n) => { return n !== 6 ? `<i>${_}</i>` : `<b>${_}</b>` }) .join(' | ') $('#micro-out-div').html( '期号 ' + round + ' 预测结果为:' + predictedHtml ) console.timeEnd('预测时间') console.log('结束预测') } run() }) } })
可能会遇到的问题
Error when checking input: expected dense_Dense1_input to have x dimension(s). but got array with shape y,z
或者 Error when checking input: expected dense_Dense1_input to have 3 dimension(s). but got array with shape
或者 Error when checking target: expected dense_Dense1 to have shape [,1], but got array with shape [6,7]
解决方式:一般是需要相应修改代码 model.add(tf.layers.dense({ units: 7, inputShape: [1] }))
中的 units 与 inputShape 的值就可以了
感慨良多
回忆起 10 几年前自己曾经在图书馆看过一本书名叫《神经网络与卷积学习》还是啥的,隐约回忆起类似下面一个画面。
还想起了当时书中介绍了“权重”、“权值”等概念。人工智能的概念与实现理论基础几十年前已经有了,受限与计算机的算力,一直没有发展起来,到最近十几年半导体行业与计算机计算能力的快速发展,人工智能才逐渐发展起来。
而自己机缘巧合,进入和开启了前端的职业生涯,在图形图像处理方向的学习,需要作图要用上向量与矩阵计算,需要重新拾起大学、高中、小学的数学知识;还有一段时间沉迷于对一些经典算法的练脑、学习与进步;感觉自己对未来的 AI 世界充满憧憬与期待。
参考引用
https://js.tensorflow.org/api/1.7.2/#Tensors
https://github.com/tensorflow/tfjs-examples/tree/master/getting-started
https://blog.csdn.net/qq_38806886/article/details/83892671
https://www.cnblogs.com/wj-1314/p/9579490.html
-
- 本文作者:Nelson Kuang,欢迎大家留言及多多指教
- 版权声明:欢迎转载学习 => 请标注信息来源于http://www.a4z.cn/fe/2020/05/29/tensorflow-js/
牛