Doi技术团队

Web 浏览器中可以实现机器学习吗？

是的，可以使用 JavaScript 在浏览器中完全定义，训练和部署机器学习算法。

尽管它可能不是机器学习的常规选择，但事实证明 JavaScript 能够完成这样的任务-即使它不能与主要的机器学习语言 Python 竞争。

在继续之前，让我们对机器学习进行一些介绍。

机器学习使计算机具有从提供的数据中学习，识别模式并得出结论的能力，而无需明确的人工干预。

传统上，由于多种原因，JavaScript 在机器学习中并不常用，包括有限的库支持和实现复杂性。

尽管如此，JavaScript 最近变得流行起来，主要是因为在完全在客户端上部署机器学习应用程序时有大量机会。

在本文中，我将说明一个简单的机器学习教程项目，该项目演示了 JavaScript 也能够为机器学习应用程序提供支持。

让我们开始吧

对于这个简单的项目，我将使用 brain.js，这是一个方便的开源 JavaScript 库，带有用于机器学习的预制神经网络。

该项目的目的是使用一组训练数据来训练神经网络，从而可以预测颜色对比是浅色还是深色。

步骤 1：安装库

让我们使用 Node.js 通过 npm 软件包管理器安装该库。为此，您需要在计算机上预安装 Node.js。

这是您可以在终端上运行的代码。（请记住将其安装在您要使用的文件夹中）。

npm install brain.js

步骤 2：导入库

使用以下代码将库导入文件中：

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

步骤 3：建立神经网络

这是代码：

const network = new brain.NeuralNetwork();

步骤 4：训练资料

在机器学习中，训练数据与将要接收的结果一样好。与较低质量的数据相比，较高质量的数据可能会预测更好的结果。

此数据是提供给算法的一组示例，以“指示”搜索内容。

在这种情况下，由于我们希望我们的机器学习算法学习识别明暗对比之间的差异，因此我们将提供这些示例来训练模型。

此后，该算法将使用所提供的示例来区分两组之间的基本特征。

如果将来提供未知数据，该算法将根据从原始训练模型中识别出的特征进行分类。

对于这个项目，我们将使用内置的 brain.js **train（）**函数来使用一系列示例数据来训练我们的神经网络。

每个示例训练数据都会有一个输入对象和一个输出对象，它们都应该是一个从 0 到 1 的数字数组。

由于我们正在处理颜色，因此我们将选择其 RGB 值。由于 RGB 颜色在 0 到 255 之间，因此我们可以将它们除以 255，从而将其值转换为 0 到 1 之间的值。

例如，如果颜色的 RGB 值为（158,183,224）。如果我们将每个值除以 255，则将变为（0.62，0.72,0.88）。

此后，我们需要提供一些示例 RBG 值的数据集，并指定输出是亮还是暗。

这是代码：

network.train([
  {input: {r:0.62,g:0.72,b:0.88}, output:{light: 1}},
  {input: {r:0.1,g:0.84,b:0.72}, output:{light: 1}},
  {input: {r:0.33,g:0.24,b:0.29}, output:{dark: 1}},
  {input: {r:0.74,g:0.78,b:0.86}, output:{light: 1}},
  ]);

步骤 5：查看结果

在使用一些示例数据对算法进行了训练之后，现在该查看预测结果了。

你兴奋吗？

我们只需要调用**run（）**函数并提供一个我们想知道是浅色还是深色的色相参数即可。

这是代码：

const result = network.run({r:0.0,g:1,b:0.65});
console.log(result);

如您所见，我们的初学者机器学习算法预测颜色对比度为浅色，准确度为 0.97（97％）。

如果我们希望输出为亮或暗，则可以添加以下代码：

const result = brain.likely({r:0.0,g:1,b:0.65}, network);
console.log(result);

​

结论

这是整个项目的代码：

const brain = require("brain.js");
const network = new brain.NeuralNetwork();
network.train([
  {input: {r:0.62,g:0.72,b:0.88}, output:{light: 1}},
  {input: {r:0.1,g:0.84,b:0.72}, output:{light: 1}},
  {input: {r:0.33,g:0.24,b:0.29}, output:{dark: 1}},
  {input: {r:0.74,g:0.78,b:0.86}, output:{light: 1}},
  ]);
//const result = network.run({r:0.0,g:1,b:0.65});
const result = brain.likely({r:0.0,g:1,b:0.65}, network);
console.log(result)