首页手记值得探索的 8 个机器学习 JavaScript 框架

值得探索的 8 个机器学习 JavaScript 框架

标签：

Html5 JavaScript 深度学习

JavaScript开发人员倾向于寻找可用于机器学习模型训练的JavaScript框架。下面是一些机器学习算法，基于这些算法可以使用本文中列出的不同JavaScript框架来模型训练：

简单的线性回归
多变量线性回归
逻辑回归
朴素贝叶斯
k最近邻算法（KNN）
K-means
支持向量机（SVM）
随机森林
决策树
前馈神经网络
深度学习网络

在这篇文章中，你将学习针对机器学习的不同JavaScript框架。具体内容为：

1.DeepLearn.js

Deeplearn.js是Google发布的一个开源的机器学习JavaScript库，可用于不同的目的，例如在浏览器中训练神经网络，理解ML模型，用于教育目的等。你可以在推理模式中运行预先训练的模型。可以在Typescript（ES6 JavaScript）或ES5 JavaScript中编写代码。通过在HTML文件的head标签中包含以下代码并编写用于构建模型的JS程序，可以实现快速入门。

<script class="lazyload" src="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAAAXNSR0IArs4c6QAAAARnQU1BAACxjwv8YQUAAAAJcEhZcwAADsQAAA7EAZUrDhsAAAANSURBVBhXYzh8+PB/AAffA0nNPuCLAAAAAElFTkSuQmCC" data-original="https://cdn.jsdelivr.net/npm/deeplearn@latest"></script><!-- or --><script class="lazyload" src="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAAAXNSR0IArs4c6QAAAARnQU1BAACxjwv8YQUAAAAJcEhZcwAADsQAAA7EAZUrDhsAAAANSURBVBhXYzh8+PB/AAffA0nNPuCLAAAAAElFTkSuQmCC" data-original="https://unpkg.com/deeplearn@latest"></script>

2.PropelJS

Propel，一个JavaScript库，为科学计算提供了GPU支持的类似numpy的基础架构。它可以用于NodeJS app和浏览器。以下是浏览器的设置代码：

<script class="lazyload" src="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAAAXNSR0IArs4c6QAAAARnQU1BAACxjwv8YQUAAAAJcEhZcwAADsQAAA7EAZUrDhsAAAANSURBVBhXYzh8+PB/AAffA0nNPuCLAAAAAElFTkSuQmCC" data-original="https://unpkg.com/propel@3.1.0"></script>

以下代码可用于NodeJS app：

npm install propelimport { grad } from "propel";

PropelJS 文档（Propel doc）。Propel的GitHub页面。

3.ML-JS

ML-JS提供了用于使用NodeJS和浏览器的机器学习工具。ML JS工具可以使用以下代码进行设置：

<script class="lazyload" src="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAAAXNSR0IArs4c6QAAAARnQU1BAACxjwv8YQUAAAAJcEhZcwAADsQAAA7EAZUrDhsAAAANSURBVBhXYzh8+PB/AAffA0nNPuCLAAAAAElFTkSuQmCC" data-original="https://www.lactame.com/lib/ml/2.2.0/ml.min.js"></script>

支持以下机器学习算法：

无监督学习
主成分分析（PCA）
K均值聚类
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）
偏最小二乘算法（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，完全用于在浏览器中深度学习模型训练（神经网络）。这个库也可以用在NodeJS app中。

可以从ConvNetJS简化库中获取ConvNetJS的简化版本入门。ConvNetJS的发布页面。

<script class="lazyload" src="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAAAXNSR0IArs4c6QAAAARnQU1BAACxjwv8YQUAAAAJcEhZcwAADsQAAA7EAZUrDhsAAAANSURBVBhXYzh8+PB/AAffA0nNPuCLAAAAAElFTkSuQmCC" data-original="convnet-min.js"></script>

下面是一些重要的页面：

5.KerasJS

通过KerasJS，你可以在浏览器中运行Keras模型，并使用WebGL得到GPU支持。模型也可以在Node.js中运行，但只能在CPU模式下运行。Keras的GitHub页面。以下是可以在浏览器中运行的Keras模型列表：

MNIST的基本convnet
卷积变分自编码器，在MNIST上训练
MNIST上的辅助分类器生成式对抗网络（AC-GAN）
50层残差网络，在ImageNet上训练
Inception v3，在ImageNet上训练
DenseNet-121，在ImageNet上训练
SqueezeNet v1.1，在ImageNet上训练
IMDB情绪分类的双向LSTM

6.STDLIB

STDLib是一个JavaScript库，可用于构建高级统计模型和机器学习库。它也可以用于数据可视化和探索性数据分析的绘图和图形功能。

以下是与ML有关的库列表：

通过随机梯度下降进行线性回归（@ stdlib / ml / online-sgd-regression）
通过随机梯度下降进行二元分类（@ stdlib / ml / online-binary-classification）
自然语言处理（@ stdlib / nlp）

7.Limdu.js

Limdu.js是Node.js的机器学习框架。它支持以下一些内容：

二元分类
多标签分类
特征工程
SVM

可以使用以下命令来安装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。以下代码可用于安装Brain.js：

npm install brain.js

也可以使用以下代码在浏览器中引入该库：

<script class="lazyload" src="data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAAAXNSR0IArs4c6QAAAARnQU1BAACxjwv8YQUAAAAJcEhZcwAADsQAAA7EAZUrDhsAAAANSURBVBhXYzh8+PB/AAffA0nNPuCLAAAAAElFTkSuQmCC" data-original="https://raw.githubusercontent.com/harthur-org/brain.js/master/browser.js"></script>

以下内容可用于安装朴素贝叶斯分类器：