制作招商加盟网站,韩国风格网站,暗网网站,动漫网页设计图片简介#xff1a; Atwood定律说#xff0c;凡是可以用Javascript实现的应用#xff0c;最终都会用Javascript实现掉。作为最热门的机器学习领域#xff0c;服务端是Python的主场#xff0c;但是到了手机端呢#xff1f;Android和iOS里默认都没有Python。但是有浏览器的地方…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
htmlheadmeta encodingUTF-8/script srchttps://cdn.jsdelivr.net/npm/tensorflow/tfjs3.0.0/dist/tf.min.js/script/headbodydiv idtf-display/divscriptlet 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
htmlheadmeta encodingUTF-8 /script srchttps://www.lactame.com/lib/ml/4.0.0/ml.min.js/script/headbodydiv idml-display/divscriptconst 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 neighborsconst 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。
