在浏览器中运行 TensorFlow.js 来训练模型并给出预测结果（Iris 数据集）

// 引入TensorFlow.js库
const tf = require('@tensorflow/tfjs-node');
const iris = require('./data/iris');
 
// 定义模型参数
const BATCH_SIZE = 100;
const TRAIN_EPOCHS = 200;
 
// 准备数据
const xTrain = tf.tensor2d(iris.train.xs, [iris.train.xs.length, 4]);
const yTrain = tf.tensor2d(iris.train.ys, [iris.train.ys.length, 3]);
const xTest = tf.tensor2d(iris.test.xs, [iris.test.xs.length, 4]);
const yTest = tf.tensor2d(iris.test.ys, [iris.test.ys.length, 3]);
 
// 创建模型
const model = tf.sequential({
  layers: [
    tf.layers.dense({inputShape: [4], units: 10, activation: 'relu'}),
    tf.layers.dense({units: 3, activation: 'softmax'})
  ]
});
 
// 编译模型
model.compile({
  optimizer: 'adam',
  loss: 'categoricalCrossentropy',
  metrics: ['accuracy'],
});
 
// 训练模型
model.fit(xTrain, yTrain, {
  batchSize: BATCH_SIZE,
  epochs: TRAIN_EPOCHS,
  validationData: [xTest, yTest],
}).then(() => {
  // 进行预测
  const result = model.predict(tf.tensor2d([[6.4, 3.2, 4.5, 1.5]], [1, 4]))
                       .arraySync();
  console.log('Predicted output:', result);
});

这段代码使用TensorFlow.js在Node.js环境中创建了一个多层感知器模型，用于识别鸢尾花（Iris Flower）数据集中的不同种类。在模型训练过程中，使用了训练数据和测试数据，并在最后输出了对单个样本的预测结果。这个过程展示了如何在Node.js中进行机器学习模型的训练和预测，对于开发者来说这是一个很好的学习示例。