2024年最全小白玩机器学习（３） --- p5，三年老Web前端经验面经

前端框架

前端框架太多了，真的学不动了，别慌，其实对于前端的三大马车，Angular、React、Vue 只要把其中一种框架学明白，底层原理实现，其他两个学起来不会很吃力，这也取决于你以后就职的公司要求你会哪一个框架了，当然，会的越多越好，但是往往每个人的时间是有限的，对于自学的学生，或者即将面试找工作的人，当然要选择一门框架深挖原理。

以 Vue 为例，我整理了如下的面试题。

如果你觉得对你有帮助，可以戳这里获取：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

2.使用神经网络做多项式回归

思路：中间隐藏节点变多（最主要的是激活函数）

添加一个隐藏层

化简和合并同类项后其实还是线性的模型，没有实际意义，因此需要激活函数。

调节参数观察变化:

1. 调整activator激活函数sigmoid，relu，tanh

2. 改变learning rate学习率0.2，0.1，0.01

3. 调整optimizer：sgd，adam

4. 增加网络层数

（Relu 不够平滑；添加很多层之后，使用relu折线变多，使用Sigmoid可能会出现梯度消失；也并不是越复杂的网络就越好）

效果展示：

1. 使用relu,adam,learning rate=0.01

2. 使用relu,adam,learning rate=0.1

3. 使用tanh,adam,learning rate=0.01

4. 使用sigmoid,adam,learning rate=0.01

5. tanh,sgd,learning rate=0.01

xs = [];

ys = [];

// 1. 搭建神经网络结构

const model = tf.sequential();

model.add(tf.layers.dense({

units: 10,

inputShape: [2],

activation: ‘sigmoid’ // 激活函数可以选择sigmoid,relu,tanh

}));

model.add(tf.layers.dense({

units: 10,

activation: ‘sigmoid’

}));

model.add(tf.layers.dense({

units: 1, // 输出为一维

}));

// 2.训练准备工作：声明optimizer和loss

const Optimizer = tf.train.sgd(0.01) // learning rating=0.2

/* 注意：

sgd一般没有adam好

1. sgd收敛慢 抖动较大 但是比较通用

2. adam对于训练数据的拟合能力比较强 */

const config = {

optimizer: Optimizer,

loss: tf.losses.meanSquaredError, // 自带的loss函数

}

model.compile(config);

// 3. 输入点

function mousePressed() {

let x = map(mouseX, 0, width, 0, 1); // format

let y = map(mouseY, 0, height, 0, 1);

xs.push([x, 1]); // 鼠标点击值x1，以及一个不变量1

ys.push(y);

console.log(xs);

}

function setup() {

createCanvas(400, 400); // 创建画布

background(0); // 设置背景颜色

}

function draw() {

background(0, 0, 0);

stroke(255, 255, 255);

strokeWeight(15);

// 4. 在画布上画点

for (let i = 0; i < xs.length; i++) {

let x = map(xs[i][0], 0, 1, 0, width);

let y = map(ys[i], 0, 1, 0, height);

point(x, y);

}

if (xs.length >= 10) { // 输入数据大于5才进行操作

// 把xs,ys转化为tensor类型

const inputs = tf.tensor2d(xs);

outputs = tf.tensor1d(ys);

// 5. 使用fit训练模型

async function train() {

for (let i = 1; i < 500; i++) {

const h = await model.fit(inputs, outputs,{

// await：下一个的结果是在上一个结果的基础上进行优化

// （如果没有await就会有多个fit线程）

batchSize: 2, // 一次训练的数目

epochs: 1 // 所有数据训练一遍

});

console.log("Loss after Epoch " + i + " : " + h.history.loss[0]);

}

}

// 6. 画线

train().then(() => {

let linex = [];

for (let x = 0; x < 1; x += 0.01) {

linex.push([x, 1]);

}

tflinex = tf.tensor2d(linex);

output_tem = model.predict(tflinex);

output_tem = output_tem.dataSync(); // 类型转换

beginShape();

noFill();

stroke(255);

strokeWeight(5);

for (let i = 0; i < linex.length; i++) {

let x = map(linex[i][0], 0, 1, 0, width);

let y = map(output_tem[i], 0, 1, 0, height);

vertex(x, y);

}

endShape();

})

noLoop()

}

}

3. 使用神经网络做分类

对于圆形尽量拟合输出为1，三角形的输出为0

        

目标：前三个拟合效果接近于1，后四个拟合效果接近于0

结果展示：

xs = [];

ys = [];

const model = tf.sequential();

model.add(tf.layers.dense({

units: 10,

inputShape: [2],

activation: ‘sigmoid’

}));

model.add(tf.layers.dense({

units: 10,

activation: ‘sigmoid’

}));

model.add(tf.layers.dense({

units: 1,

}));

const Optimizer = tf.train.adam(0.1)

const config = {

optimizer: Optimizer,

loss: tf.losses.meanSquaredError,

}

model.compile(config);

const inputs = tf.tensor2d([[1, 1], [2, 1], [3, 2], [1, 2],[2, 3], [1, 3], [3, 1]]);

const outputs = tf.tensor2d([[1], [1], [1], [0], [0], [0], [0]]); // 标签

最后

面试题千万不要死记，一定要自己理解，用自己的方式表达出来，在这里预祝各位成功拿下自己心仪的offer。
开源分享：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

;

const outputs = tf.tensor2d([[1], [1], [1], [0], [0], [0], [0]]); // 标签

最后

面试题千万不要死记，一定要自己理解，用自己的方式表达出来，在这里预祝各位成功拿下自己心仪的offer。
开源分享：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

[外链图片转存中…(img-lkCxtUG6-1715681443940)]

[外链图片转存中…(img-JgPHVr4H-1715681443941)]

[外链图片转存中…(img-hjU8GgJ6-1715681443941)]

[外链图片转存中…(img-elostVUj-1715681443942)]