tensorflow IA
//On déclare une constante "tf", et on précise qu'elle nécessite le module TensforFlow.js
const tf = require('@tensorflow/tfjs');
// On déclare une variable "xs" qui contient les inputs
const xs = tf.tensor([
[0.86226, 0.22, 0.65],
[0.76564, 0.24, 0.85],
[0.53292, 0.23, 0.43],
[0.33219, 0.26, 0.25],
[0.38587, 0.27, 0.92],
[0.78967, 0.21, 0.56],
[0.63458, 0.28, 0.34],
[0.45243, 0.25, 0.77]
]);
// On déclare une variable "ys" qui contient les outputs
const ys = tf.tensor([
[0,1],
[1,0],
[0,1],
[1,0],
[0,1],
[0,1],
[1,0],
[1,0]
]);
// On initialise ensuite le modèle d'apprentissage
const model = tf.sequential();
// On ajoute une première couche cachée avec trois neurones ("units") et en précisant les dimensions des inputs ("inputShape")
model.add(tf.layers.dense({ units: 3, inputShape: [3], activation:'sigmoid' }));
// On ajoute une couche de sortie qui comporte quant à elle deux neurones ("units")
model.add(tf.layers.dense({ units: 2, activation:'sigmoid'}))
// On compile le modèle avec des critères pour le calcul de l'erreur et l'optimisation
model.compile({ loss: "meanSquaredError", optimizer: tf.train.adam(0.1) });
// On passe à l'étape d'entraînement du modèle
return model.fit(xs, ys, { epochs: 5000 }).then(() => {
// On réalise ensuite prédiction avec les données utilisées pour l'entraînement
model.predict(xs).print();
});