Menggunakan fungsi JavaScript untuk melaksanakan ramalan dan pengelasan pembelajaran mesin

Dengan perkembangan teknologi kecerdasan buatan, pembelajaran mesin telah menjadi bidang teknikal yang popular. Antaranya, JavaScript ialah bahasa pengaturcaraan yang digunakan secara meluas, dan kita boleh menggunakan fungsinya untuk melaksanakan ramalan dan pengelasan pembelajaran mesin. Seterusnya, mari kita lihat cara menggunakan fungsi JavaScript untuk melaksanakan pembelajaran mesin.

Pertama, kami perlu memperkenalkan perpustakaan JavaScript yang sangat penting: TensorFlow.js. Pustaka ini membantu kami menggunakan model pembelajaran mesin dalam JavaScript untuk ramalan dan klasifikasi. Sebelum kita mula menulis kod, kita perlu memasang perpustakaan ini. Anda boleh memasangnya dengan arahan berikut:

npm install @tensorflow/tfjs

Selepas pemasangan, kami boleh mula menulis kod JavaScript.

1. Lakukan Regresi Linear

Regresi linear ialah salah satu kaedah pembelajaran mesin yang paling asas, yang boleh membantu kami membina model linear untuk menganalisis hubungan data. Dalam JavaScript, regresi linear boleh dilaksanakan menggunakan perpustakaan TensorFlow.js. Berikut ialah contoh mudah:

// 定义输入数据
const xs = tf.tensor([1, 2, 3, 4], [4, 1]);
const ys = tf.tensor([1, 3, 5, 7], [4, 1]);

// 定义模型和训练参数
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));
model.compile({optimizer: 'sgd', loss: 'meanSquaredError'});

// 训练模型
model.fit(xs, ys, {epochs: 100}).then(() => {
  // 预测
  const output = model.predict(tf.tensor([5], [1, 1]));
  output.print();
});

Dalam contoh ini, kami mentakrifkan data input dan mentakrifkan model linear menggunakan TensorFlow.js. Parameter latihan termasuk pengoptimum sgd dan ralat min kuasa dua. Selepas melatih model, kita boleh menggunakan fungsi ramalan untuk membuat ramalan.

2. Klasifikasi imej

Selain regresi linear, kami juga boleh menggunakan TensorFlow.js untuk klasifikasi imej. Berikut ialah contoh mudah:

// 加载模型
const model = await tf.loadLayersModel('http://localhost:8000/model.json');

// 加载图像并进行预测
const img = new Image();
img.src = 'cat.jpg';
img.onload = async function() {
  const tensor = tf.browser.fromPixels(img)
      .resizeNearestNeighbor([224, 224]) // 调整图像大小
      .expandDims() // 扩展图像维度
      .toFloat() // 转换为浮点数
      .reverse(-1); // 反转通道

  const predictions = await model.predict(tensor).data();
  console.log(predictions);
}

Dalam contoh ini, kami mula-mula memuatkan model pra-latihan dan menggunakan fungsi loadLayersModel untuk memuatkannya. Kami kemudiannya memuatkan imej dan menggunakan TensorFlow.js untuk mengubah saiz, mengembangkan dimensi, menukar kepada terapung dan menyongsangkan saluran. Akhir sekali, kami menggunakan fungsi ramalan untuk membuat ramalan klasifikasi imej dan fungsi console.log untuk mengeluarkan hasil ramalan.

Melalui dua contoh ini, kita dapat melihat bahawa tidak sukar untuk menggunakan fungsi JavaScript untuk melaksanakan ramalan dan pengelasan pembelajaran mesin. Sudah tentu, ini hanyalah amalan peringkat permulaan. Jika anda ingin mengetahui lebih lanjut tentang pembelajaran mesin dan JavaScript, anda perlu mempelajari pengetahuan yang berkaitan dengan lebih mendalam dan berlatih dengan lebih lanjut.

Atas ialah kandungan terperinci Menggunakan fungsi JavaScript untuk melaksanakan ramalan dan pengelasan pembelajaran mesin. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!