Если вы новичок в языке машинного обучения и задаетесь вопросом, с чего начать, не Nevilpaul здесь, чтобы помочь, вы можете использовать другой язык для изучения ML (машинное обучение), но я выделю три javascript , Питон и PHP. В этой статье я расскажу, как подготовить данные для обучения в tensorflow.js.

Перед обучением модели машинному обучению входные данные и имеющаяся метка должны быть преобразованы в данные машинного обучения, поскольку модели машинного обучения, построенные в тензорном потоке, предназначены для чтения или работы с небольшими числами, такими как 0–1 или -1–1. Подготовка данных занимает всего три шага, и это перемешивание извлеченных или текущих данных, преобразование данных в тензор и нормализация.

Получите данные JSON, затем отфильтруйте входные данные и отметьте

Во-первых, вы напишете код, чтобы заставить данные JSON работать и использовать их в тензорном потоке. Используйте javascript fetch API для получения данных или вы можете использовать либо axios, либо ajax, затем используйте метод карты для циклического просмотра и получения двух данных, которые упростят работу, поскольку мы должны использовать один в качестве ввода, а другой как метка. Путем фильтрации данных он удаляет данные JSON, которые возвращают carD.mpg и carD.speed, оставляя одну милю на галлон и скорость для работы с «easy».

const Uri = 'https://storage.googleapis.com/tfjs-tutorials/carsData.json';
//this will fetch and filter data that You want removing the unwanted json data
async function data(){
   const getData = await fetch(Uri);
   const jsonData = await getData.json();
   const values = jsonData.map(carD=>({
     mpg:car.Miles_per_Gallon,
     speed:car.Acceleration,
   }))
   .filter(carD=>(carD.mpg != null && carD.speed != null));
   return values;
}
//next function is to include the fetched data in tensor

Приведите в порядок, перемешайте и нормализуйте данные с помощью data-tenor.

Следующая функция объяснит три упомянутых выше шага, а именно dataTotensor ().

dataTotensor = (data) =>{//this can also be function dataTotensi(){}
   return tf.tidy(()=>{
     // step:1
     tf.util.shuffle(data);
     //get the values and give one as input and another as label
     const input = data.map(car=>car.mpg);
     const label= data.map(car=>car.speed);
     // step 2 convert to tensor data
     const inputTensor = input.tensor2d(input,[input.length,1]);
     const labelTensor = label.tensor2d(input,[input.length,1]);
     // step 3 Normalization of the inputTensor and labelTensor
     const inputMin = inputTensor.min();
     const inputMax = inputTensor.max();
     const labelMax = labelTensor.max();
     const labelMin = labelTensor.min();
     //do the math (min-max scaling 0-1,-1 - 1)
     const normInput = inputTensor.sub(inputMin).div(inputMax.sub(inputMin));
     const normLabel = labelTensor.sub(labelMin).div(labelMax.sub(labelMin));
     //return the normalized data and will be used your model
    return {
       input: normInput,
       label: normLabel,
       inputMin,
       inputMax,
       labelMax,
       labelMin
    }
   });
}

Наконец, вы можете написать на botRun ();

async function flowRun(){
    const data = await data();
    datatotensor = dataTotensor(data);
    console.log(datatotensor);
}
document.addEventListener('DOMContentLoaded',flowRun).

После нормализации мы сохраняем данные, а затем они не будут преобразованы в исходное состояние после успешного возврата результата.