TensorFlow.js 入门并动手编写娱乐版的双色球在线预测

背景

一年前就知道了 TensorFlow js 版的存在，一直没有去玩一下。最近一次偶然的机会，要协助同事处理过一个 TensorFlow.js 相关的 Demo 小程序，要使用 TensorFlow.js 结合小程序的照相机 API 功能，实现微信小程序扫描识别物体功能。该 Demo 主要是由 TensorFlow.js 官方项目 – https://github.com/tensorflow/tfjs-wechat/tree/master/demo/mobilenet 改造而来。后面开始看官方 demo 开始由最简单的 《TensorFlow.js 实现线性回归》 的例子开始学习，并捣鼓出这个《TensorFlow.js 娱乐版的双色球在线预测》。

工具由来

为什么叫《TensorFlow.js 娱乐版的双色球在线预测》？哈哈，因为双色球开的期数总数才 2510+ 期，作为训练模型 model 学习的基础数据也太小了。还有本身电脑的计算能力也有限，如果硬把学习次数 epochs 加非常高，可能电脑要运行几天才可以学习完并预测出结果哈，大家可以试试选用期数为 00000-20000 来作为训练模型 model 然后把学习次数 epochs 加高来进行预测。

费话不多说，直接关键源码分析

      $(document).ready(function () {
        runTf('00000-20000', 1, 29999) // 默认打开运行预测 训练模型期号数据是 00000-20000，学习次数是 1 次，预测的期号是 29999
        $('#btn').click(function () { // 点击按钮绑定处理
          const modelVal = $('#model').val()
          const epochsVal = $('#epochs').val()
          const roundVal = $('#round').val()
          const tips =
            '<span class="tips pulse animated infinite">正在预测...</span>'
          if (!modelVal) {
            alert('请先选择历史数据模型训练（model）')
            return false
          }
          if (!epochsVal) {
            alert('请先输入学习次数（epochs）')
            return false
          }
          if (!roundVal) {
            alert('请先输入待预测的期号')
            return false
          }
          $('#micro-out-div').html(tips)
          runTf(modelVal, Number(epochsVal), Number(roundVal))
        })
        function runTf(historyModel, epochs, round) { // 关键函数
          $('#table').load(`./ssq/history-${historyModel}.htm`, function () { // 加载相应的训练模型数据，来源于 500 彩票 http://kaijiang.500.com
            const rawArr = []
            const xsArr = []
            const yxArr = []
            // 通过 dom 操作把源数据由 table 中抽取出来
            $('#table .t_tr1').each(function () {
              let This = $(this)
              let str = ''
              This.find('td').each(function (n) {
                if (n === 0) {
                  str += $(this).text()
                } else if (n < 8 && n > 0) {
                  str += '|' + $(this).text()
                }
              })
              let arr = str.split('|')
              arr = arr.map((_) => Number(_))
              rawArr.push(arr)
              xsArr.push(arr[0])
              yxArr.push(arr.slice(1))
            })

            async function run() { // 关键代码
              // Sequential 序贯模型，序贯模型是函数式模型的简略版，为最简单的线性、从头到尾的结构顺序，不分叉，是多个网络层的线性堆叠。
              const model = tf.sequential()
              // 使用.add() 方法将各层添加到模型中
              model.add(tf.layers.dense({ units: 7, inputShape: [1] })) // Dense，支持通过参数 inputShape 指定输入尺寸，units: 该层的神经单元结点数（输出结果是 7 个球）
              // compile({loss, optimizer, metrics}) 编译模型，定义损失函数，优化函数，绩效评估函数
              model.compile({ loss: 'binaryCrossentropy', optimizer: 'sgd' }) // metrics 可参考：https://js.tensorflow.org/api/1.7.2/#Metrics
              console.log('开始，gogogo!')
              // 下面其实定义使用 tensor / tensor1d / tensor2d 都没关系，最终 tensor1d / tensor2d ...3d... 都跟 tensor 效果一样，语法糖来的
              const xs = tf.tensor(xsArr) // 定义一个张量（这里是历史期号）
              console.log(xs.shape) // 打印输入尺寸
              const ys = tf.tensor(yxArr) // 定义一个张量（这里是上面 xs 的历史期号对应所有的开奖结果）
              console.log(ys.shape) // 打印输入尺寸
              console.time('训练时间')
              console.log('开始训练...')
              await model.fit(xs, ys, { epochs: epochs }) // 导入数据进行训练 可参考：https://js.tensorflow.org/api/1.7.2/#tf.LayersModel.fit
              console.timeEnd('训练时间')
              console.log('结束训练')
              console.time('预测时间')
              console.log('开始预测...')
              const predicted = model // 为什么叫娱乐版的呢？因为下面出来的结果太失望了，要自己重新处理
                .predict(tf.tensor2d([round], [1, 1])) // 预测自己输入的期号为 round 的结果
                .abs() // 取绝对值
                .floor() // 去掉小数点
                .dataSync() // 得到的是一个 Float32Array，如果学习次数 epochs 太少的话，结果类似 [20661, 28071, 7391, 10978, 7883, 9646, 5441]，WTF！太差了吗？
                .map((_, n) => { // 自己按号码规则求余优化成最终结果
                  return n !== 6 ? _ % 33 || 33 : _ % 16 || 16
                })
              const obj = {} // 判断出来的红球有没有重复
              predicted.forEach((_, n) => {
                if (n !== 6) {
                  obj[_] = 1
                }
              })
              if (Object.keys(obj).length < 6) { // 什么？出来的红球有重复？帮我重新预测吧 
                run() 
                return false 
              } 
              // 下面是 dom 操作，打印预测结果 
              const predictedHtml = [...predicted] .map((_, n) => {
                  return n !== 6 ? `<i>${_}</i>` : `<b>${_}</b>`
                })
                .join(' | ')
              $('#micro-out-div').html(
                '期号 ' + round + ' 预测结果为：' + predictedHtml
              )
              console.timeEnd('预测时间')
              console.log('结束预测')
            }
            run()
          })
        }
      })

可能会遇到的问题

Error when checking input: expected dense_Dense1_input to have x dimension(s). but got array with shape y,z
或者 Error when checking input: expected dense_Dense1_input to have 3 dimension(s). but got array with shape
或者 Error when checking target: expected dense_Dense1 to have shape [,1], but got array with shape [6,7]
解决方式：一般是需要相应修改代码 model.add(tf.layers.dense({ units: 7, inputShape: [1] })) 中的 units 与 inputShape 的值就可以了

感慨良多

回忆起 10 几年前自己曾经在图书馆看过一本书名叫《神经网络与卷积学习》还是啥的，隐约回忆起类似下面一个画面。

还想起了当时书中介绍了“权重”、“权值”等概念。人工智能的概念与实现理论基础几十年前已经有了，受限与计算机的算力，一直没有发展起来，到最近十几年半导体行业与计算机计算能力的快速发展，人工智能才逐渐发展起来。

而自己机缘巧合，进入和开启了前端的职业生涯，在图形图像处理方向的学习，需要作图要用上向量与矩阵计算，需要重新拾起大学、高中、小学的数学知识；还有一段时间沉迷于对一些经典算法的练脑、学习与进步；感觉自己对未来的 AI 世界充满憧憬与期待。

参考引用

https://js.tensorflow.org/api/1.7.2/#Tensors
https://github.com/tensorflow/tfjs-examples/tree/master/getting-started
https://blog.csdn.net/qq_38806886/article/details/83892671
https://www.cnblogs.com/wj-1314/p/9579490.html

1. 1. 本文作者：Nelson Kuang，欢迎大家留言及多多指教
   2. 版权声明：欢迎转载学习 => 请标注信息来源于http://www.a4z.cn/fe/2020/05/29/tensorflow-js/

作者： 博主

Talk is cheap, show me the code! 查看博主的所有文章