Un npm que simplifica bastante la libreria tensorflow.js.

Instalación

Antes de instalarlo, debe tener instalado Node.js y Python 2.7 La instalación se realiza mediante el comando de instalación npm:

$ npm install simple-tensorflow --save

Características

• Reducción de dificultad para crear una red neuronal
• Separación de las capas
• User-Friendly
• Entrenamiento Rapido

Conceptos Basicos

• Las capas son la estructura del cerebro de la red neuronal,la primera capa de los modelos siempre debe llevar la dimensión del input
• Las perdidas son diferentes funciones para evaluar que tan bien/mal lo esta haciendo la red neuronal,la mejor depende para que se este utilizando.
• Los optimizadores son la manera en la que la red neuronal se adapta a los datos.

Opciones Modelo

Perdida

• meanSquaredError
• meanAbsoluteError
• meanAbsolutePercentageError
• meanSquaredLogarithmicError
• squaredHinge
• hinge
• categoricalHinge
• logcosh
• categoricalCrossentropy
• sparseCategoricalCrossentropy
• binaryCrossentropy
• kullbackLeiblerDivergence
• poisson
• cosineProximity

Optimizadores

• sgd
• momentum
• adagrad
• adadelta
• adam
• adamax
• rmsprop

Opciones

• iteraciones: Numero de veces que la red aprendera los datos.
• aleatorio: Esto indicara si se cambiara el orden de los datos.
• logs: Numero del 0 al 2 que indicara cuanta información se dara en cada entrenamiento por medio de la consola.

Capas

• Dense
• BatchNormalization
• Reshape
• Conv2D

Configuración de las capas

Cada capa puede tener una configuración diferente pero esta es la configuración que suelen tener todas

• neuronas
• activacion
• entrada

Activaciones

Las capas necesitan una función de activación para funcionar correctamente

• elu
• hardSigmoid
• linear
• relu
• relu6
• selu
• sigmoid
• softmax
• softplus
• softsign
• tanh
• swish
• mish

Ejemplos

Ejemplo 1: XOR Basico

const neural = require('simple-tensorflow')

let capa1 = new neural.Dense({neuronas:2,entrada:2})
let capa2 = new neural.Dense({neuronas:1})

const modelo = new neural.Modelo([capa1,capa2],'meanSquaredError','sgd')

let datosx = [[1,1],[1,0],[0,1],[0,0]]
let datosy = [0,1,1,0]

modelo.entrenar(datosx,datosy,{
  iteraciones:5,
  aleatorio:true
}).then(() => {
  let entrada = [[1,1]]
  let resultado = modelo.predecir(entrada)
  console.log(resultado) //Si usaste [1,1] o [0,0] al ser un XOR debe darte un numero cercano a 0 pero si usaste [1,0] o [0,1] debe darte un numero cercano a 1
})

Creado por: Discord Safe