TypeScript für maschinelles Lernen: praktische Möglichkeiten und Grenzen

Online Python-Trainer für Anfänger

Lernen Sie Python einfach ohne theoretische Überlastung. Lösen Sie praktische Aufgaben mit automatischer Überprüfung und schreiben Sie Code direkt im Browser.

Kurs starten

TypeScript für maschinelles Lernen: Praktische Möglichkeiten und Einschränkungen

Die Welt des maschinellen Lernens (ML) war lange Zeit ausschließlich mit Python und R verbunden. Mit der steigenden Leistungsfähigkeit von Browsern und dem Aufkommen leistungsstarker JavaScript-Frameworks richten jedoch immer mehr Entwickler ihre Aufmerksamkeit auf TypeScript als Alternative für ML-Aufgaben. In diesem Artikel analysieren wir, welche realen Möglichkeiten TypeScript für maschinelles Lernen bietet, mit welchen Einschränkungen Entwickler konfrontiert sind, und geben praktische Codebeispiele.

Warum TypeScript und nicht Python?

Python bleibt dank seines Ökosystems (PyTorch, TensorFlow, scikit-learn) und der Fülle an vorgefertigten Datensätzen der König des ML. TypeScript bietet jedoch einzigartige Vorteile:

Ausführung im Browser — ML-Modelle arbeiten clientseitig, ohne Daten an den Server zu senden.
Starke Typisierung — reduziert die Anzahl von Fehlern, die für komplexe mathematische Berechnungen kritisch sind, bereits zur Kompilierzeit.
Einheitlicher Stack — Frontend und Backend in einer Sprache vereinfachen die Entwicklung von Full-Stack-ML-Anwendungen.
Integration mit Web-Technologien — WebGL, Web Workers, WebAssembly zur Beschleunigung von Berechnungen.

Dennoch wird TypeScript Python in der Forschungsarbeit nicht ersetzen — es ergänzt es vielmehr, indem es ermöglicht, fertige Modelle in die Produktion zu überführen.

Wichtige Bibliotheken für ML mit TypeScript

Betrachten wir drei wichtige Werkzeuge, die maschinelles Lernen mit TypeScript zur Realität machen.

1. TensorFlow.js

Die beliebteste Bibliothek für ML in JavaScript/TypeScript. Ermöglicht das Trainieren von Modellen direkt im Browser oder in Node.js. Beispiel zur Verwendung:

import * as tf from '@tensorflow/tfjs';

// Ein einfaches lineares Regressionsmodell erstellenconst model = tf.sequential();model.add(tf.layers.dense({units: 1, inputShape: [1]}));

// Modell kompilierenmodel.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

// Trainingsdatenconst xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);const ys = tf.tensor2d([2, 4, 6, 8], [4, 1]);

// Trainingmodel.fit(xs, ys, {epochs: 200}).then(() => {    const result = model.predict(tf.tensor2d([5], [1, 1]));    result.print(); // Ausgabe: ~10});

TensorFlow.js unterstützt vortrainierte Modelle (MobileNet, BERT) und die Arbeit mit WebGL für GPU-Beschleunigung.

2. ONNX Runtime Web

Eine Bibliothek zur Ausführung von Modellen im ONNX-Format (Open Neural Network Exchange). Ermöglicht das Ausführen von Modellen, die mit PyTorch oder TensorFlow trainiert wurden, direkt im Browser.

import * as ort from 'onnxruntime-web';

async function runInference() {    const session = await ort.InferenceSession.create('./model.onnx');    const input = new ort.Tensor('float32', new Float32Array([1.0, 2.0, 3.0]), [1, 3]);    const outputs = await session.run({ input: input });    console.log(outputs.output.data);}

ONNX Runtime Web ist eine ausgezeichnete Wahl für Produktionsszenarien, in denen das Modell bereits in Python trainiert wurde und die Inferenz in TypeScript durchgeführt wird.

3. Synaptic.js

Eine leichte Bibliothek zum Erstellen neuronaler Netze ohne Abhängigkeiten. Geeignet für das Training im Browser:

import { Architect, Trainer } from 'synaptic';

const network = new Architect.Perceptron(2, 3, 1);const trainer = new Trainer(network);

trainer.train([    { input: [0, 0], output: [0] },    { input: [0, 1], output: [1] },    { input: [1, 0], output: [1] },    { input: [1, 1], output: [0] }], { iterations: 1000 });

console.log(network.activate([1, 0])); // ~0.99 (XOR)