如何在TensorFlow.js中格式化输入数据实现6输入1输出的任务时长预测

维度（dimension） #

直接对应数组的嵌套层数：

• 一维数组[1,2,3] → 1维张量
• 二维数组[[1,2,3],[4,5,6]] → 2维张量
• 三维数组[[[1],[2]],[[3],[4]]] → 3维张量
  深度学习中常规表格类训练数据都是2维张量，第一维是样本数量，第二维是单条样本的特征数量。

inputShape #

指单条样本的特征形状，不需要包含样本数量。比如你单条样本有6个特征，单条就是长度为6的一维数组，inputShape就填[6]；如果是28*28像素的单通道图片，单条是28行28列的二维数组，inputShape就填[28,28]。

为什么需要定义这些参数 #

TensorFlow属于静态图框架，训练前需要先确定整个计算链路的结构、提前分配权重参数和计算资源。如果不提前定义输入形状，框架无法判断需要创建多少个权重、怎么对齐输入输出数据，会直接报错。

使用逻辑 #

1. 先确定单条样本的特征结构，填写inputShape
2. 构造训练输入张量时，整体形状为[总样本数, ...inputShape]，比如100条样本每条6个特征，输入张量形状就是[100, 6]
3. 对应的标签张量形状为[总样本数, 输出值数量]，你这里每条输出1个预测耗时，标签形状就是[100, 1]

• inputShape设置错误：你单条样本有3个特征，填成了[1]，模型只能接收1个特征的输入
• 张量构造参数错误：tf.tensor2d第二个参数是形状数组，你填的[20,1,0]不符合2维张量的形状要求（2维张量形状只能是两个数字：[样本数, 特征数]）
• 标签张量形状错误：2条样本的标签形状应该是[2,1]，你填的[25]不符合要求
• 预测输入形状错误：单条预测输入也需要对齐维度，要写成2维张量形状[1, 特征数]

首先是对应你注释需求的3特征测试版本：

const model = tf.sequential();
// 单条样本3个特征，inputShape设为[3]
model.add(tf.layers.dense({units: 1, inputShape: [3]}));
model.compile({
    optimizer: tf.optimizers.adam(0.1), // 对齐Python版本用Adam优化器，学习率0.1收敛更快
    loss: 'meanSquaredError'
});

async function createAndTrainModel(){
    // 2条训练样本，每条3个特征，形状[2,3]
    const xs = tf.tensor2d([[40, 1, 0], [20, 1, 0]], [2, 3]);
    // 2条样本对应的标签，形状[2,1]
    const ys = tf.tensor2d([[45], [25]], [2, 1]);

    await model.fit(xs, ys, {epochs: 500});
    console.log("done training model!");

    // 预测单条样本，形状要对齐为[1,3]
    const result = model.predict(tf.tensor2d([[-40, 15, 0]], [1, 3]));
    console.log("预测结果：", result.dataSync()[0]);
    
    // 用完释放张量内存避免泄漏
    xs.dispose();
    ys.dispose();
    result.dispose();
}

createAndTrainModel();

如果要对接6个特征的正式需求，仅需修改两处：

1. 第一层inputShape改为[6]
2. 训练输入和预测输入的特征数量对应改成6个即可，示例：

// 6特征版本的输入示例
const xs = tf.tensor2d([[4,1,1,5,8,2], [此处填写其他样本的6个特征]], [样本总数, 6]);

如果是加载你用Python导出的tfjs模型，不需要自己搭建结构，直接用tf.loadLayersModel('模型json文件地址')加载后即可直接调用predict。

内容的提问来源于stack exchange，提问作者Johnnybossboy