【探究】八种支持机器学习模型训练的JavaScript框架
- 简单线性回归
- 多变量线性回归
- 逻辑回归
- 朴素贝叶斯（Naive Bayesian）
- K最近邻算法（K-nearest neighbor，KNN）
- K-Means算法
- 支持向量机（Support vector machine，SVM）
- 随机森林
- 决策树
- 前馈神经网络（Feedforward neural network）
- 深度学习网络
在本文中，您将分别概览到用于机器学习的不同JavaScript框架。它们分别是：
1.DeepLearn.js
Deeplearn.js是Google开发的、开源的机器学习JavaScript库。它可以被用于不同的目的，包括训练浏览器中的神经网络、理解机器学习（ML）模型、以及被用作教育目的等。您可以在推理模式中运行各种预训练的模型。开发者可以在Typescript（ES6 JavaScript）或ES5 JavaScript中编写代码。如想快速入门，您可以通过在HTML文件的head标签中包含以下的代码，并编写用于构建模型的JS程序。
<script src="https://cdn.jsdelivr.net/npm/deeplearn@latest"></script> <!-- or --> <script src="https://unpkg.com/deeplearn@latest"></script>
2.PropelJS
Propel是一个JavaScript库，它为科学计算提供了一个支持GPU的、类似numpy（译者注：它是Python的一种开源的数值计算扩展）的基础架构。它可以被使用在NodeJS的各种应用以及浏览器中。
以下是为浏览器设置的代码：
<script src="https://unpkg.com/[email protected]"></script>
而下面则是被用到NodeJS应用的代码：
npm install propel
import { grad } from "propel"; PropelJS的文档链接是：http://propelml.org/docs/。它的GitHub页面为https://github.com/propelml/propel。
3.ML-JS
ML-JS为工作在NodeJS和各个浏览器环境中，提供了机器学习的多个工具。ML JS工具可以通过如下的代码进行设置：
<script src="https://www.lactame.com/lib/ml/2.2.0/ml.min.js"></script>
它能够支持以下的机器学习算法：
- 无监督学习
- 主成分分析（Principal component analysis，PCA）
- K-Means聚类
- 监督学习
- 简单线性回归
- 多变量线性回归
- 支持向量机（SVM）
- 朴素贝叶斯
- K最近邻算法（KNN）
- 偏最小二乘（Partial least squares，PLS）
- 决策树：CART
- 随机森林
- 逻辑回归
- 人工神经网络
- 前馈神经网络
4.ConvNetJS
ConvNetJS是一个JavaScript库，它可以被用于在您的浏览器中，完全地训练各种深度学习的模型（神经网络）。这个库也能够被用在NodeJS的各种应用之中。
您可以从下载链接--http://cs.stanford.edu/people/karpathy/convnetjs/build/convnet-min.js 来获取ConvNetJS的缩减库，从而上手这个缩小版本的ConvNetJS。它的GitHub页面为https://github.com/karpathy/convnetjs/releases。如下是其对应的加载代码：
<script src="convnet-min.js"></script>
我们进一步给出一些重要的参考页面的地址：
- ConvNetJS的NPM软件包：https://www.npmjs.com/package/convnetjs
- 入门文档：https://cs.stanford.edu/people/karpathy/convnetjs/started.html
- 参考文档：https://cs.stanford.edu/people/karpathy/convnetjs/docs.html
5.KerasJS
使用KerasJS和支持GPU的WebGL，您可以在浏览器中运行Keras的模型。除了CPU模式，该模型也可以在Node.js中运行。Keras的GitHub页面为https://github.com/transcranial/keras-js。以下是可以在浏览器中运行的所有Keras的模型列表：
- MNIST的基本转换（译者注：MNIST是一个入门级的计算机视觉数据集）
- 经MNIST训练的卷积变分自编码器
- 基于MNIST的辅助分类器生成对抗网络（AC-GAN）
- 经ImageNet训练的50层残差网络（residual network）
- 经ImageNet训练的Inception v3模型
- 经ImageNet训练的DenseNet-121（极深网络）模型
- 经ImageNet训练的SqueezeNet v1.1模型
- 基于IMDB情感分类的双向长短期记忆网络（LSTM）
6.STDLib
STDLib是一个JavaScript库，它能够被用于构建高级的统计模型和各种机器学习库。它也可以被用于数据可视化与探索性数据分析的绘制和图形功能。
以下是与机器学习（ML）有关的各种相关库的列表：
- 通过随机梯度下降的线性回归(@stdlib/ml/online-sgd-regression)
- 通过随机梯度下降的二元分类(@stdlib/ml/online-binary-classification)
- 自然语言处理(@stdlib/nlp)
7.Limdu.js
Limdu.js是一个针对Node.js的机器学习框架。它支持以下方面：
- 二进制分类
- 多标签分类
- 特征工程（Feature engineering）
- 支持向量机（SVM）
开发者可以使用如下的命令来安装limdu.js：
npm install limdu
8.Brain.js
Brain.js是一套用于训练神经网络和朴素贝叶斯分类器的JavaScript库。您可以使用如下命令来设置Brain.js：
npm install brain.js
开发者也可以使用以下代码，在浏览器中包含该库：
<script src="https://raw.githubusercontent.com/harthur-org/brain.js/master/browser.js"></script>
如下的命令可以被用于安装朴素贝叶斯分类器：
npm install classifier
总结
在本文中，您了解到了可用于在浏览器、以及Node.js应用中训练机器学习模型的不同JavaScript库。如果您有兴趣了解更多有关机器学习的文档，我们建议您去查看我们的机器学习文档集-- https://vitalflux.com/category/machine-learning/。