Exemplo 2 Treinamento
Função de treinamento
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 define quantas iterações (loops) o modelo fará.
model.fit é a função que executa os loops.
callbacks define a função de callback a ser chamada quando o modelo deseja redesenhar os gráficos.
Teste o modelo
Quando um modelo é treinado, é importante testá-lo e avaliá-lo.
Fazemos isso inspecionando o que o modelo prevê para uma variedade de entradas diferentes.
Mas, antes que possamos fazer isso, temos que desnormalizar os dados:
A Normalizar
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();
Então podemos ver o resultado:
Plote o resultado
const predicted = Array.from(unX).map((val, i) => {
return {x: val, y: unY[i]}
});
// Plot the Result
tfPlot([values, predicted], surface1)