Esta página se tradujo automáticamente con la API de traducción de Google Cloud.
Algunas páginas se pueden leer mejor en su totalidad.
En esta publicación, aprenderemos a definir métricas de modelos personalizadas en TensorFlow.js y Node.js.
Las métricas del modelo personalizado son funciones que aceptan dos argumentos:
yTrue: Los valores de verdad básicos.yPred: Los valores pronosticados.Y devuelva un valor único que represente la métrica.
Por ejemplo, es posible que queramos definir una métrica personalizada que calcule el error cuadrático medio (MSE) entre los valores reales y los valores predichos. Podemos hacer esto definiendo la siguiente función:
function mse(yTrue, yPred) {
// ...
}
En TensorFlow.js, podemos definir métricas de modelos personalizadas creando un CustomCallback y pasándolo al método fit.
const model = tf.sequential();
// ...
model.compile({
// ...
metrics: ['mse']
});
model.fit(x, y, {
epochs: 10,
callbacks: tf.callbacks.customCallback(['mse'], (logs) => {
console.log(logs.mse);
})
});
En el código anterior, hemos definido un CustomCallback que calcula la métrica mse. Luego pasamos esta devolución de llamada al método fit, que le dice al modelo que calcule la métrica mse durante el entrenamiento.
En Node.js, podemos definir métricas de modelo personalizadas creando una instancia tf.Metrics y pasándola al método fit.
const model = tf.sequential();
// ...
model.compile({
// ...
metrics: ['mse']
});
const metrics = new tf.Metrics(['mse']);
model.fit(x, y, {
epochs: 10,
callbacks: {
onEpochEnd: (epoch, logs) => {
metrics.update(logs);
}
}
});
metrics.print();
En el código anterior, hemos creado una instancia tf.Metrics que calcula la métrica mse. Luego pasamos esta instancia al método fit, que le dice al modelo que calcule la métrica mse durante el entrenamiento.
En esta publicación, aprendimos cómo definir métricas de modelos personalizadas en TensorFlow.js y Node.js.