JavaScript 用于机器学习：能力与局限

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。

JavaScript 用于机器学习：能力与局限概述

机器学习领域传统上与 Python 及其丰富的库生态（TensorFlow、PyTorch、scikit-learn）紧密相关。然而，随着 Node.js 的日益普及和强大工具的出现，JavaScript 正逐渐被视为机器学习的替代平台。在本文中，我们将探讨 JavaScript（Node.js）在机器学习方面的适用性、可使用的库以及会遇到哪些限制。

为什么选择 JavaScript 用于机器学习？主要优势

JavaScript 是一种无处不在的语言：在浏览器中、在服务器端（Node.js）、甚至在移动设备上（React Native）。这为部署机器学习模型提供了独特的机会：

通用性：同一套代码库可同时服务于前端、后端和机器学习逻辑。
低门槛：Web 开发者无需学习新语言即可集成机器学习。
快速原型开发：直接在浏览器中快速开发和测试。
生态系统：数量庞大的 npm 包可用于数据处理和可视化。

不过，不应认为 JS 会在科学计算领域取代 Python。它有自己的真正擅长的特定领域。

Node.js 上主要的机器学习库

我们来看看三个关键的库，它们让你能用 JavaScript 做机器学习。

1. TensorFlow.js —— JS 领域机器学习的旗舰

TensorFlow.js 是谷歌流行框架的移植版本。它允许你在 Node.js 或浏览器中直接运行现成模型，甚至训练新模型。

const tf = require('@tensorflow/tfjs-node');

// 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 data: y = 2x - 1const xs = tf.tensor2d([-1, 0, 1, 2, 3, 4], [6, 1]);const ys = tf.tensor2d([-3, -1, 1, 3, 5, 7], [6, 1]);

// Trainingmodel.fit(xs, ys, {epochs: 250}).then(() => {  // Prediction for x = 10  model.predict(tf.tensor2d([10], [1, 1])).print();  // Expected result: ~19});

这段代码展示了基本的神经网络训练。TensorFlow.js 支持卷积网络和循环网络、迁移学习以及通过 CUDA 实现 GPU 加速。

2. Brain.js —— 简单直观

Brain.js 非常适合快速实验和小型项目。它提供了简单的 API 来创建神经网络。

const brain = require('brain.js');

const net = new brain.NeuralNetwork();

// Train the network to recognize XORnet.train([  {input: [0, 0], output: [0]},  {input: [0, 1], output: [1]},  {input: [1, 0], output: [1]},  {input: [1, 1], output: [0]}]);

// Test itconst output = net.run([1, 0]); // ~0.98console.log(`XOR(1,0) = ${output}`);

Brain.js 不需要深入的数学知识——对于刚接触 JavaScript 机器学习的人来说，这是一个极好的入门工具。

3. ML.js —— 一套经典机器学习工具

ML.js 是用纯 JavaScript 编写的一系列机器学习算法的集合。这里你可以找到 KNN、随机森林、SVM 以及其他经典方法。

const { KNN } = require('ml-knn');

// Training data: [height, weight]const trainData = [[1.70, 65], [1.80, 80], [1.60, 55], [1.90, 90]];const trainLabels = [0, 1, 0, 1]; // 0 - normal, 1 - overweight

const knn = new KNN(trainData, trainLabels);

// Prediction for a new personconst prediction = knn.predict([[1.75, 70]]);console.log(`Predicted category: ${prediction[0]}`); // 0

ML.js 非常适合分类和回归任务，但不