【探究】八种支持机器学习模型训练的JavaScript框架 架构&设计

来源:互联网 / 作者:SKY / 2018-03-13 15:29 / 点击:
在本文章中,您将了解到不同的机器学习JavaScript框架,包括:DeepLearn.js、PropelJS、ML-JS、ConvNetJS、KerasJS、STDLib、Limdu.js和Brain.js。

八种值得探究的机器学习JavaScript框架

【Chinaz.com快译】JavaScript开发人员大多倾向于寻找一些基于不同的机器学习算法、并可用于训练机器学习模型的JavaScript框架。我们在下面所罗列出的各种机器学习算法,都适用于本文将为您展示的八种可用于模型训练的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/propel@3.1.0"></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:。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-- 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

阅读延展

1
3