简介： Atwood定律说，凡是可以用Javascript实现的应用，最终都会用Javascript实现掉。作为最热门的机器学习领域，服务端是Python的主场，但是到了手机端呢？Android和iOS里默认都没有Python。但是有浏览器的地方就有js，现在还有个新场景 - 小程序。

来源： Alibaba F2E

作者：旭伦

Atwood定律说，凡是可以用Javascript实现的应用，最终都会用Javascript实现掉。作为最热门的机器学习领域，服务端是Python的主场，但是到了手机端呢？Android和iOS里默认都没有Python。但是有浏览器的地方就有js，现在还有个新场景 - 小程序。

除此之外，为了可以在不联网情况下进行训练的，也有支持本地框架比如React Native的。

可以说，只要有前端的地方，就有机器学习的框架在。

js唯一的问题在于，变化太快，每年都有很多新库出现，但是也有不少老的库宣布不维护了。但是，万变不离其宗，工具本身虽然经常有变化，但是它们的类型是非常稳定的。

选择机器学习工具的方法论

我们要写机器学习算法，需要什么样的工具呢？

机器学习工具可以分为以下四个层次：

层次一：直接服务于具体领域的框架

首先我们需要直接服务于具体领域的框架，比如处理CV的，NLP的，推荐算法之类的。

比如nlp.js，上一个版本发布在2020年10月。nlp.js的代码写起来是这样的：

const { NlpManager } = require('node-nlp');

const manager = new NlpManager({ languages: ['en'], forceNER: true });

// Adds the utterances and intents for the NLP

manager.addDocument('en', 'goodbye for now', 'greetings.bye');

manager.addDocument('en', 'bye bye take care', 'greetings.bye');

manager.addDocument('en', 'okay see you later', 'greetings.bye');

manager.addDocument('en', 'bye for now', 'greetings.bye');

manager.addDocument('en', 'i must go', 'greetings.bye');

manager.addDocument('en', 'hello', 'greetings.hello');

manager.addDocument('en', 'hi', 'greetings.hello');

manager.addDocument('en', 'howdy', 'greetings.hello');

// Train also the NLG

manager.addAnswer('en', 'greetings.bye', 'Till next time');

manager.addAnswer('en', 'greetings.bye', 'see you soon!');

manager.addAnswer('en', 'greetings.hello', 'Hey there!');

manager.addAnswer('en', 'greetings.hello', 'Greetings!');

// Train and save the model.

(async() => {

    await manager.train();

    manager.save();

    const response = await manager.process('en', 'I should go now');

    console.log(response);

})();

运行起来很简单，装个库就好：

npm install node-nlp

训练的速度也很快：

Epoch 1 loss 0.4629286907733636 time 1ms

Epoch 2 loss 0.2818764774939686 time 0ms

Epoch 3 loss 0.16872372018062168 time 0ms

Epoch 4 loss 0.11241683507408215 time 0ms

...

Epoch 31 loss 0.00004645272306535786 time 0ms

输出的结果类似这样：

{

  locale: 'en',

  utterance: 'I should go now',

  settings: undefined,

  languageGuessed: false,

  localeIso2: 'en',

  language: 'English',

  nluAnswer: {

    classifications: [ [Object] ],

    entities: undefined,

    explanation: undefined

  },

  classifications: [ { intent: 'greetings.bye', score: 1 } ],

  intent: 'greetings.bye',

  score: 1,

  domain: 'default',

  sourceEntities: [

    {

      start: 12,

      end: 14,

      resolution: [Object],

      text: 'now',

      typeName: 'datetimeV2.datetime'

    }

  ],

  entities: [

    {

      start: 12,

      end: 14,

      len: 3,

      accuracy: 0.95,

      sourceText: 'now',

      utteranceText: 'now',

      entity: 'datetime',

      resolution: [Object]

    }

  ],

  answers: [

    { answer: 'Till next time', opts: undefined },

    { answer: 'see you soon!', opts: undefined }

  ],

  answer: 'see you soon!',

  actions: [],

  sentiment: {

    score: 0.5,

    numWords: 4,

    numHits: 1,

    average: 0.125,

    type: 'senticon',

    locale: 'en',

    vote: 'positive'

  }

}

层次二：深度学习框架

第二是我们的核心内容，深度学习框架。

说到Javascript深度学习，占统治地位的仍然是Tensorflow.js，我们来看个经典的强化学习的例子：

使用浏览器的local storage和indexdb作为存储，边训练边展示训练效果的过程，很有前端的风范。

我们再看另一个大厂微软的例子，支持webGL和wasm，基于浏览器不容易：

另外需要强调的是，用于前端的框架并不是简单的把native或者python框架移植过来的，比如说它要处理兼容性的问题：

很多同学都对Tensorflow有一定了解，我们就手写一个网页，然后在其中调tf的API就好：

<!DOCTYPE html>

<html>

    <head>

        <meta encoding="UTF-8"/>

        <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@3.0.0/dist/tf.min.js"></script>

    </head>

    <body>

        <div id="tf-display"></div>

        <script>

            let a = tf.tensor1d([1.0]);

            let d1 = document.getElementById("tf-display");

            d1.innerText = a;

</script>

    </body>

</html>

层次三：机器学习框架

第三是机器学习的框架。光了解深度学习还不够，传统的机器学习在更贴近业务的时候，可能效果更好，还节省算力资源。比如可以使用mljs库，地址在：https://github.com/mljs/ml

比如我们想做个k-means聚类，可以使用mljs框架的ml-kmeans库：

const kmeans = require('ml-kmeans');

let data = [[1, 1, 1], [1, 2, 1], [-1, -1, -1], [-1, -1, -1.5]];

let centers = [[1, 2, 1], [-1, -1, -1]];

let ans = kmeans(data, 2, { initialization: centers });

console.log(ans);

装个包就可以玩了：

npm i ml-kmeans

运行结果如下：

KMeansResult {

  clusters: [ 0, 0, 1, 1 ],

  centroids: [

    { centroid: [Array], error: 0.25, size: 2 },

    { centroid: [Array], error: 0.0625, size: 2 }

  ],

  converged: true,

  iterations: 2,

  [Symbol(distance)]: [Function: squaredEuclidean]

}

我们也可以直接在网页中使用，比如我们写个K近邻的例子：

<!DOCTYPE html>

<html>

  <head>

    <meta encoding="UTF-8" />

    <script src="https://www.lactame.com/lib/ml/4.0.0/ml.min.js"></script>

  </head>

  <body>

    <div id="ml-display"></div>

    <script>

      const train_dataset = [

        [0, 0, 0],

        [0, 1, 1],

        [1, 1, 0],

        [2, 2, 2],

        [1, 2, 2],

        [2, 1, 2],

      ];

      const train_labels = [0, 0, 0, 1, 1, 1];

      let knn = new ML.KNN(train_dataset, train_labels, { k: 2 }); // consider 2 nearest neighbors

      const test_dataset = [

        [0.9, 0.9, 0.9],

        [1.1, 1.1, 1.1],

        [1.1, 1.1, 1.2],

        [1.2, 1.2, 1.2],

      ];

      let ans = knn.predict(test_dataset);

      let d1 = document.getElementById("ml-display");

      d1.innerText = ans;

</script>

  </body>

</html>

最后我们再来个决策树的例子，采用mljs自带的Iris数据集。需要通过npm安装下ml-dataset-iris和ml-cart:

const irisDataset = require('ml-dataset-iris');

const DecisionTreeClassifier = require('ml-cart');

const trainingSet = irisDataset.getNumbers();

const predictions = irisDataset

  .getClasses()

  .map((elem) => irisDataset.getDistinctClasses().indexOf(elem));

const options = {

  gainFunction: 'gini',

  maxDepth: 10,

  minNumSamples: 3,

};

const classifier = new DecisionTreeClassifier.DecisionTreeClassifier(options);

classifier.train(trainingSet, predictions);

const result = classifier.predict(trainingSet);

console.log(result);

输出结果如下：

[

  0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,

  0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,

  0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,

  0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,

  0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,

  1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1,

  1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,

  1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,

  1, 1, 1, 1,

  ... 50 more items

]

层次四：数学和统计库

第四个层次是数学和统计库。做统计和数学计算，很多时候才是理解业务的最好手段。这个时候我们也不能空手上，也需要工具。

这方面的代表库有stdlib: https://stdlib.io/虽然它名字和实际都是标准库，但是为了数学和统计提供了很丰富的内容，比如150多个数学函数和35种统计分布。

我们先安装一下做后面的实验：

npm install @stdlib/stdlib

比如各种数学函数：

再比如各种随机分布：

我们以正态分布为例，看看stdlib是如何描述分布的：

const Normal = require( '@stdlib/stats/base/dists/normal' ).Normal;

let dist1 = new Normal( 0, 1 );

console.log(dist1);

let m1 = dist1.mean;

console.log(m1);

let v1 = dist1.variance;

console.log(v1);

构造Normal时的两个参数是均值和方差。

输出如下：

Normal { mu: [Getter/Setter], sigma: [Getter/Setter] }

0

1

这个无良的标准库竟然还支持50多种数据集，看个小例子，美国州首府的数据集：

const capitals = require( '@stdlib/datasets/us-states-capitals' );

const data_c = capitals();

console.log(data_c);

输出结果如下：

[

  'Montgomery',     'Juneau',         'Phoenix',

  'Little Rock',    'Sacramento',     'Denver',

  'Hartford',       'Dover',          'Tallahassee',

  'Atlanta',        'Honolulu',       'Boise',

  'Springfield',    'Indianapolis',   'Des Moines',

  'Topeka',         'Frankfort',      'Baton Rouge',

  'Augusta',        'Annapolis',      'Boston',

  'Lansing',        'Saint Paul',     'Jackson',

  'Jefferson City', 'Helena',         'Lincoln',

  'Carson City',    'Concord',        'Trenton',

  'Santa Fe',       'Albany',         'Raleigh',

  'Bismarck',       'Columbus',       'Oklahoma City',

  'Salem',          'Harrisburg',     'Providence',

  'Columbia',       'Pierre',         'Nashville',

  'Austin',         'Salt Lake City', 'Montpelier',

  'Richmond',       'Olympia',        'Charleston',

  'Madison',        'Cheyenne'

]

总结

综上，如果要做从0到1的业务，尽可能用第一层次的工具，这样最有助于快速落地。但是如果是要做增量，尤其是困难的增长，第三第四层次是首选，因为更有助于深刻理解数据。

原文链接

本文为阿里云原创内容，未经允许不得转载。

Javascript 机器学习的四个层次的更多相关文章

JavaScript框架设计(四) 字符串选择器(选择器模块结束)
JavaScript框架设计(四) 字符串选择器(选择器模块结束) 经过前面JavaScript框架设计(三) push兼容性和选择器上下文的铺垫,实现了在某一元素下寻找,现在终于进入了字符串选择器 ...
Javascript函数调用的四种模式
一前言 Javascript一共有四种调用模式:方法调用模式.函数调用模式.构造器调用模式以及apply调用模式.调用模式不同,对应的隐藏参数this值也会不同. 二方法调用模式函数作为对象的属 ...
Javascript多线程引擎(四)
Javascript多线程引擎(四)--之C语言单继承因为使用C语言做为开发语言, 而C语言在类的支持方面几乎为零, 而Javascript语言的Object类型是一个非常明显的类支持对象,所以这里 ...
2019年11个javascript机器学习库
Credits: aijs.rocks 虽然python或r编程语言有一个相对容易的学习曲线,但是Web开发人员更喜欢在他们舒适的javascript区域内做事情.目前来看,node.js已经开始向每 ...
JavaScript机器学习之线性回归
译者按: AI时代,不会机器学习的JavaScript开发者不是好的前端工程师. 原文: Machine Learning with JavaScript : Part 1 译者: Fundebug ...
BI实施的四个层次
满足业务需求注重数据分析汇总统一.高效的系统集成越来越麻烦.管理人员穿梭在具有不同风格.使用逻辑的系统间,越来越厌倦,众多系统之间的业务逻辑.数据含义不一致,使用户无法判断数据的准确性.任何一个 ...
JavaScript 编写随机四位数验证码（大小写字母和数字）
1.JavaScript编写随机四位数验证码,用到的知识点为: a.Math对象的随机数:Math.random() b.Math对象的取整 :Math.floor() c.处理所需要的下标个数 ...
JavaScript学习记录四
title: JavaScript学习记录四 toc: true date: 2018-09-16 20:31:22 --<JavaScript高级程序设计(第2版)>学习笔记要多查阅M ...
《JAVASCRIPT高级程序设计》节点层次和DOM操作技术
DOM可以将任何HTML和XML文档描绘成一个由多层次节点构成的结构.节点分为几种不同的类型,每种类型分别表示文档中不同的信息,每种类型都继承与Node接口,因此都共同享有一些属性和方法,同时,也拥有 ...
JavaScript机器学习之KNN算法
译者按: 机器学习原来很简单啊,不妨动手试试! 原文: Machine Learning with JavaScript : Part 2 译者: Fundebug 为了保证可读性,本文采用意译而非直 ...

随机推荐

JAVA 相关
1. google guava cache 2. presto 3. loadingcache 4. aspect
Spring Boot学习日记6
@SpringBootConfiguration:SpringBoot的配置 @Configuration: spring配置类 @Component:说明这也是一个spring的组件 @Enable ...
实时云渲染：流式传输 VR 和 AR 内容
想象一下无需专用的物理计算机,甚至无需实物连接,就能获得高质量的 AR/VR 体验是种什么样的体验? 过去,与 VR 交互需要专用的高端工作站,并且根据头显.壁挂式传感器和专用的物理空间.VR 中的复 ...
3D渲染速度慢，花重金买显卡还是用云渲染更划算
3D渲染对建筑师和设计师来说并不陌生,3D渲染的过程中出现渲染卡顿.特殊材质难以渲染,或者本地配置不足.本地渲染资源不够时,常常会影响工作效率.本文比较了3D渲染时,为提高工作效率,买显卡还是用云渲染 ...
Cesium之DrawCommand与绘制三角形
1. 引言 Cesium中的Command对象包含执行的指令参数和执行方法,Command对象主要有三类: ClearCommand DrawCommand ComputeCommand DrawCo ...
你是怎么理解ES6中 Decorator 的？使用场景？
这里给大家分享我在网上总结出来的一些知识,希望对大家有所帮助一.介绍 Decorator,即装饰器,从名字上很容易让我们联想到装饰者模式简单来讲,装饰者模式就是一种在不改变原类和使用继承的情况下, ...
在 Google Colab 中使用 JuiceFS
Google Colaboratory(Colab)是一个由 Google 提供的云端 Jupyter 编程笔记本,直接通过浏览器即可进行 Python 编程.Colab 充分利用谷歌的闲置云计算资源 ...
[ROS串口通信]报错：IO Exception (13): Permission denied, file /tmp/binarydeb/ros-noetic-serial-1.2.1/src/impl/unix.cc, line 151. [ERROR] [1705845384.528602780]: Unable to open port
ROS在串口通信时,当我们插入USB后,catkin_make之后,报错: IO Exception (13): Permission denied, file /tmp/binarydeb/ros- ...
KingbaseES 原生XML系列三--XML数据查询函数
KingbaseES 原生XML系列三--XML数据查询函数(EXTRACT,EXTRACTVALUE,EXISTSNODE,XPATH,XPATH_EXISTS,XMLEXISTS) XML的简单使 ...

Javascript 机器学习的四个层次