TypeScript 在机器学习中的应用：实践能力与局限性

轻松学习Python，无需理论负担。在浏览器中直接解决带自动检查的实践任务，无需安装任何东西。

TypeScript 在机器学习中的应用：实际能力与局限性

机器学习（ML）领域长期以来一直与 Python 和 R 紧密相连。然而，随着浏览器性能的提升和强大 JavaScript 框架的出现，越来越多的开发者开始转向 TypeScript 作为 ML 任务的替代方案。本文将探讨 TypeScript 为机器学习提供的实际能力、开发者面临的局限性，并提供实用的代码示例。

为什么选择 TypeScript 而非 Python？

Python 凭借其生态系统（PyTorch、TensorFlow、scikit-learn）和丰富的现成数据集，仍然是 ML 领域的王者。然而，TypeScript 提供了独特的优势：

在浏览器中执行 — ML 模型在客户端运行，无需将数据发送到服务器。
强类型 — 在编译阶段减少错误，这对复杂的数学计算至关重要。
统一技术栈 — 前后端使用同一种语言，简化了全栈 ML 应用的开发。
与 Web 技术集成 — WebGL、Web Workers、WebAssembly 可加速计算。

尽管如此，TypeScript 不会在研究工作中取代 Python——它更像是补充，允许将训练好的模型迁移到生产环境。

TypeScript 中的关键 ML 库

我们来看三个关键工具，它们使 TypeScript 中的机器学习成为现实。

1. TensorFlow.js

这是 JavaScript/TypeScript 中最流行的 ML 库。它允许直接在浏览器或 Node.js 中训练模型。使用示例：

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

// Create a simple linear regression modelconst model = tf.sequential();model.add(tf.layers.dense({units: 1, inputShape: [1]}));

// Compile the modelmodel.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

// Training dataconst 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(); // Output: ~10});

TensorFlow.js 支持预训练模型（MobileNet、BERT），并可结合 WebGL 实现 GPU 加速。

2. ONNX Runtime Web

这是一个用于运行 ONNX（开放神经网络交换）格式模型的库。它允许在浏览器中直接运行使用 PyTorch 或 TensorFlow 训练的模型。

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 是生产场景的理想选择——模型在 Python 中训练完成后，在 TypeScript 中进行推理。

3. Synaptic.js

这是一个轻量级、无依赖的神经网络构建库，适合在浏览器中训练：

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)