simple-tensorflow/index.js

Simplificación de la libreria tensorflow.js para que sea mas facil de usar.

const tf = require('@tensorflow/tfjs-node')
let activaciones = [    "elu","hardSigmoid","linear","relu","relu6","selu","sigmoid","softmax","softplus","softsign","tanh","swish","mish"]
let errores = ["meanAbsoluteError", "meanAbsolutePercentageError", "meanSquaredLogarithmicError", "squaredHinge", "hinge", "categoricalHinge", "meanSquaredError", "logcosh", "categoricalCrossentropy","sparseCategoricalCrossentropy","binaryCrossentropy","kullbackLeiblerDivergence","poisson","cosineProximity"]
let optimizadores = ["sgd", "momentum", "adagrad", "adadelta", "adam", "adamax", "rmsprop"]
module.exports = {
    Modelo: function (capas, error, optimizador) {
        if (capas == undefined || !Array.isArray(capas)) throw new Error("Debe proporcionar un array de capas")
        if (error == undefined || errores.indexOf(error) == -1) throw new Error("Debe proporcionar un tipo de error valido")
        if (optimizador == undefined || optimizadores.indexOf(optimizador) == -1) throw new Error("Debe proporcionar un tipo de optimizador valido")
        this.model = tf.sequential()
        capas.forEach(capa => {
            this.model.add(capa)
        })
        this.model.compile({
            loss: error,
            optimizer: optimizador
        });

        this.entrenar = async function (entrada, salida, opciones) {
            if (entrada == undefined || !Array.isArray(entrada)) throw new Error("Debe proporcionar un array unidimensional/multidimensional de datos de entrada")
            if (salida == undefined || !Array.isArray(salida)) throw new Error("Debe proporcionar un array de salidas unidimensional/multidmensional a los datos de entrada")
            if (opciones == undefined) {
                opciones = {
                    iteraciones: 10,
                    logs: 1
                }
            }
            if (opciones.iteraciones == undefined) {
                opciones.iteraciones = 10
            }
            if (typeof opciones.iteraciones !== 'number') throw new Error("Debe proporcionar un numero de iteraciones y no algo distinto.")
            if (opciones.iteraciones < 1) {
                opciones.iteraciones = 1
            }
            if (opciones.logs == undefined) {
                opciones.logs = 1
            }
            if (typeof opciones.logs !== 'number' || opciones.logs < 0 || opciones.logs > 2) throw new Error("Logs debe ser un numero entre 0 y 2")
            if (opciones.aleatorio == undefined) {
                opciones.aleatorio = false
            }
            if (typeof opciones.aleatorio !== 'boolean') throw new Error("Logs debe ser true o false")
            entrada = tf.tensor(entrada)
            salida = tf.tensor(salida)
            await this.model.fit(entrada, salida, {
                epochs: opciones.iteraciones,
                verbose: opciones.logs,
                shuffle: opciones.aleatorio
            }).then(() => {
                return "Entrenamiento Completado"
            })
        }
        this.predecir = function (entrada) {
            if (entrada == undefined || !Array.isArray(entrada)) throw new Error("Debe proporcionar un array unidimensional/multidimensional de datos de entrada")
            entrada = tf.tensor(entrada)
            return this.model.predict(entrada).arraySync()
        }
    },
    Dense: function (info) {
        if (info == undefined || typeof info !== 'object') throw new Error("Debe proporcionar un objeto con la configuración basica.")
        if (info.neuronas == undefined || typeof info.neuronas !== 'number') throw new Error("Debe proporcionar un numero de neuronas para esta capa.")
        if (info.activacion !== undefined && typeof info.activacion !== 'string') throw new Error("Debe proporcionar un texto con la función de activación.")
        this.neuronas = info.neuronas
        this.entrada = info.entrada
        this.activation = info.activacion
        if (this.activation == undefined) {
            this.activation = 'sigmoid'
        }
        if(activaciones.indexOf(this.activation) == -1) throw new Error("No es una función de activación valida.")
        if (this.entrada == undefined) {
            return tf.layers.dense({
                units: this.neuronas,
                activation: this.activation
            })
        } else {
            return tf.layers.dense({
                units: this.neuronas,
                inputShape: this.entrada,
                activation: this.activation
            })
        }
    },
    BatchNormalization: function(momentum,entrada){
        this.momento = momentum
        this.entrada = entrada
        if(this.momento == undefined && this.entrada == undefined){
            return tf.layers.batchNormalization()
        } else if(this.momento !== undefined && this.entrada == undefined){
            return tf.layers.batchNormalization({momentum:this.momento})
        } else if(this.momento == undefined && this.entrada !== undefined){
            return tf.layers.batchNormalization({inputShape:this.entrada})
        } else {
            return tf.layers.batchNormalization({momentum:this.momento,inputShape:this.entrada})
        }
    },
    Reshape: function(objetivo,entrada){
        if (objetivo == undefined) throw new Error("Debe proporcionar una forma para reestructurar los datos.")
        this.entrada = entrada
        this.objetivo = objetivo
        if(this.entrada == undefined){
            return tf.layers.reshape({targetShape:this.objetivo})
        } else {
            return tf.layers.reshape({targetShape:this.objetivo,inputShape:this.entrada})
        }
    },
    Conv2D: function(entrada){
        this.entrada = entrada
        if(this.entrada == undefined){
            return tf.layers.conv2d()
        } else {
            return tf.layers.conv2d({inputShape:this.entrada})
        }
    }
}