cover_002.png
为了体现 TensorFlow.js 的性能优势，需要将数据转换成张量，同时来需要进行一些处理如洗牌和归一化，具体做法代码里见。
/**
* 将输入数据转换可以喂入机器张量(tensors)
* 对数据进行洗牌和标准化处理
*/
function convertToTensor(data) {
// 对数据进行操作包裹在一个 tidy 函数内。
return tf.tidy(() => {
// Step 1. 对数据进行随机排序，这样便于多轮训练
tf.util.shuffle(data);
// Step 2. 将数据转换为 Tensor
const inputs = data.map(d => d.horsepower)
const labels = data.map(d => d.mpg);
const inputTensor = tf.tensor2d(inputs, [inputs.length, 1]);
const labelTensor = tf.tensor2d(labels, [labels.length, 1]);
//Step 3. 将数据归一化，也就是将数据取值范围控制到 0 - 1 如果多特征可以消除正常差异性，便于训练
const inputMax = inputTensor.max();
const inputMin = inputTensor.min();
const labelMax = labelTensor.max();
const labelMin = labelTensor.min();
const normalizedInputs = inputTensor.sub(inputMin).div(inputMax.sub(inputMin));
const normalizedLabels = labelTensor.sub(labelMin).div(labelMax.sub(labelMin));
return {
inputs: normalizedInputs,
labels: normalizedLabels,
// 返回 最小/最大界限
inputMax,
inputMin,
labelMax,
labelMin,
}
});
}
数据洗牌
tf.util.shuffle(data);
每次训练数据前我们需要将数据的顺序打乱好处是更利于训练。因为在训练过程中，数据集通常被分成较小的子集，也就是所谓批次，模型在进行训练，让模型每次看到数据都是多样变化的。
转换为张量
const inputs = data.map(d => d.horsepower)
const labels = data.map(d => d.mpg);
const inputTensor = tf.tensor2d(inputs, [inputs.length, 1]);
const labelTensor = tf.tensor2d(labels, [labels.length, 1]);
我们这里数据有两个维度，也就是有两个特征，一个特征作为输入(马力)，另一个是真实值（在机器学习中被称为标签）其实真实值也是数据一个特征。
然后将每个数组转换为一个 2d 张量。该张量的形状为 [num_examples, num_features_per_example]。其中 inputs.length 是样本数量，每个样本有 1 个输入特征（马力）。
数据标准化
const inputMax = inputTensor.max();
const inputMin = inputTensor.min();
const labelMax = labelTensor.max();
const labelMin = labelTensor.min();
const normalizedInputs = inputTensor.sub(inputMin).div(inputMax.sub(inputMin));
const normalizedLabels = labelTensor.sub(labelMin).div(labelMax.sub(labelMin));
对数据进行归一化处理，也可以称为标准化处理。通过对数据进行缩放，让所有数据取值范围都在 0-1 这个范围。归一化其实很重要，好处消除不同取值范围特征之间差异性，同时模型更喜欢0 到 1 或者 -1 到 1 这样的小数。
return {
inputs: normalizedInputs,
labels: normalizedLabels,
// Return the min/max bounds so we can use them later.
inputMax,
inputMin,
labelMax,
labelMin,
}
之所以返回归一化缩放用到最大、最小值。用途两个，第一个是我们利用这些将数据进行还原，还有就是在预测时，可用这些值对新数据进行归一化处理。
