机器学习新手？观看视频课程，了解使用 Web 技术进行 ML 的实用工作知识查看系列

模型和层

在机器学习中，模型是一个具有可学习 参数的函数，它将输入映射到输出。通过在数据上训练模型来获得最佳参数。经过良好训练的模型将提供从输入到所需输出的准确映射。

在 TensorFlow.js 中，有两种方法可以创建机器学习模型

使用层 API，您使用层构建模型。
使用核心 API，使用更低级别的运算，例如 tf.matMul()、tf.add() 等。

首先，我们将介绍层 API，它是一个用于构建模型的更高级别的 API。然后，我们将展示如何使用核心 API 构建相同的模型。

使用层 API 创建模型

有两种方法可以使用层 API 创建模型：顺序模型和函数式模型。接下来的两节将更详细地介绍每种类型。

顺序模型

最常见的模型类型是 Sequential 模型，它是一个层的线性堆栈。您可以通过将层列表传递给 sequential() 函数来创建一个 Sequential 模型

const model = tf.sequential({
 layers: [
   tf.layers.dense({inputShape: [784], units: 32, activation: 'relu'}),
   tf.layers.dense({units: 10, activation: 'softmax'}),
 ]
});

或者通过 add() 方法

const model = tf.sequential();
model.add(tf.layers.dense({inputShape: [784], units: 32, activation: 'relu'}));
model.add(tf.layers.dense({units: 10, activation: 'softmax'}));

重要提示：模型中的第一层需要一个 inputShape。在提供 inputShape 时，请确保排除批次大小。例如，如果您计划向模型馈送形状为 [B, 784] 的张量，其中 B 可以是任何批次大小，请在创建模型时将 inputShape 指定为 [784]。

您可以通过 model.layers 访问模型的层，更具体地说，是 model.inputLayers 和 model.outputLayers。

函数式模型

创建 LayersModel 的另一种方法是通过 tf.model() 函数。tf.model() 和 tf.sequential() 之间的关键区别在于，tf.model() 允许您创建层的任意图，只要它们没有循环。

以下代码片段使用 tf.model() API 定义了与上面相同的模型

// Create an arbitrary graph of layers, by connecting them
// via the apply() method.
const input = tf.input({shape: [784]});
const dense1 = tf.layers.dense({units: 32, activation: 'relu'}).apply(input);
const dense2 = tf.layers.dense({units: 10, activation: 'softmax'}).apply(dense1);
const model = tf.model({inputs: input, outputs: dense2});

我们对每层调用 apply() 以将其连接到另一层的输出。在这种情况下，apply() 的结果是一个 SymbolicTensor，它类似于 Tensor，但没有具体的值。

请注意，与顺序模型不同，我们通过 tf.input() 创建一个 SymbolicTensor，而不是向第一层提供 inputShape。

apply() 也可以为您提供一个具体的 Tensor，如果您向其传递一个具体的 Tensor

const t = tf.tensor([-2, 1, 0, 5]);
const o = tf.layers.activation({activation: 'relu'}).apply(t);
o.print(); // [0, 1, 0, 5]

这在单独测试层并查看其输出时很有用。

就像在顺序模型中一样，您可以通过 model.layers 访问模型的层，更具体地说，是 model.inputLayers 和 model.outputLayers。

验证

顺序模型和函数式模型都是 LayersModel 类的实例。使用 LayersModel 的主要优势之一是验证：它强制您指定输入形状，并将在以后使用它来验证您的输入。LayersModel 还会在数据流经层时进行自动形状推断。提前知道形状允许模型自动创建其参数，并且可以告诉您两个连续层是否彼此不兼容。

模型摘要

调用 model.summary() 以打印模型的有用摘要，其中包括

模型中所有层的名称和类型。
每层的输出形状。
每层的权重参数数量。
如果模型具有通用拓扑结构（将在下面讨论），则每层接收的输入
模型的可训练参数和不可训练参数的总数。

对于我们上面定义的模型，我们在控制台上得到以下输出

层 (类型)	输出形状	参数数量
dense_Dense1 (Dense)	[null,32]	25120
dense_Dense2 (Dense)	[null,10]	330
总参数: 25450 可训练参数: 25450 不可训练参数: 0

注意层输出形状中的 null 值：提醒模型期望输入在最外层维度具有批次大小，在本例中，由于 null 值，批次大小可以灵活调整。

序列化

使用 LayersModel 相对于低级 API 的主要优势之一是能够保存和加载模型。 LayersModel 了解

模型的架构，允许您重新创建模型。
模型的权重
训练配置（损失、优化器、指标）。
优化器的状态，允许您恢复训练。

保存或加载模型只需一行代码

const saveResult = await model.save('localstorage://my-model-1');
const model = await tf.loadLayersModel('localstorage://my-model-1');

上面的示例将模型保存到浏览器中的本地存储。请参阅 model.save() 文档 和保存和加载指南，了解如何保存到不同的介质（例如文件存储、IndexedDB、触发浏览器下载等）。

自定义层

层是模型的构建块。如果您的模型正在执行自定义计算，您可以定义一个自定义层，它可以很好地与其他层交互。下面我们定义一个计算平方和的自定义层

class SquaredSumLayer extends tf.layers.Layer {
 constructor() {
   super({});
 }
 // In this case, the output is a scalar.
 computeOutputShape(inputShape) { return []; }

 // call() is where we do the computation.
 call(input, kwargs) { return input.square().sum();}

 // Every layer needs a unique name.
 getClassName() { return 'SquaredSum'; }
}

为了测试它，我们可以使用具体张量调用 apply() 方法

const t = tf.tensor([-2, 1, 0, 5]);
const o = new SquaredSumLayer().apply(t);
o.print(); // prints 30

重要：如果您添加自定义层，您将失去序列化模型的能力。

使用核心 API 创建模型

在本指南的开头，我们提到过在 TensorFlow.js 中创建机器学习模型有两种方法。

一般经验法则是始终尝试首先使用层 API，因为它模仿了广为采用的 Keras API，该 API 遵循最佳实践并减少认知负担。层 API 还提供各种现成的解决方案，例如权重初始化、模型序列化、监控训练、可移植性和安全检查。

您可能希望在以下情况下使用核心 API

您需要最大程度的灵活性和控制。
您不需要序列化，或者可以实现自己的序列化逻辑。

核心 API 中的模型只是接受一个或多个 Tensors 并返回一个 Tensor 的函数。使用核心 API 编写的与上面相同的模型如下所示

// The weights and biases for the two dense layers.
const w1 = tf.variable(tf.randomNormal([784, 32]));
const b1 = tf.variable(tf.randomNormal([32]));
const w2 = tf.variable(tf.randomNormal([32, 10]));
const b2 = tf.variable(tf.randomNormal([10]));

function model(x) {
  return x.matMul(w1).add(b1).relu().matMul(w2).add(b2).softmax();
}

请注意，在核心 API 中，我们负责创建和初始化模型的权重。每个权重都由一个 Variable 支持，它向 TensorFlow.js 信号这些张量是可学习的。您可以使用 tf.variable() 并传入现有的 Tensor 来创建一个 Variable。

在本指南中，您已经熟悉了使用层 API 和核心 API 创建模型的不同方法。接下来，请参阅训练模型指南，了解如何训练模型。