- JavaScript 允许您在浏览器和 Node 中运行和部署机器学习，同时保证隐私和低延迟。
- Brain.js、ml5.js 和 TensorFlow.js 涵盖了从原型到生产的所有内容。
- Math.js、可视化和 WebGL 完善了数据和图形处理技术栈。
- 混合方法：使用 Python 进行训练，使用 JS 提供服务，可最大限度地提高效率。
得益于新的库和现代引擎的强大功能，前端和后端 Node 开发人员可以将机器学习功能集成到他们的应用程序中，并在客户端运行这些功能，从而获得隐私保护、低延迟和实时体验。其结果是：更广泛的跨平台覆盖，从桌面和移动设备到通过 WebGL 实现图形处理的设备。
为什么 JavaScript 与机器学习如此契合
神经网络和许多统计算法的本质都很复杂，相关的术语有时也令人望而生畏；本文旨在澄清关于机器学习的常见疑问和误解。然而，Web 生态系统提供了多层抽象和工具，可以在不牺牲性能的前提下简化开发。浏览器本身就是一个熟悉的环境，它拥有图形化 API、传感器访问权限以及通用发行版。
除了易用性之外，还有切实的好处：无需进行繁重的安装即可测试示例，执行可以留在用户的设备上以提高保密性，并且JavaScript 引擎的优化（例如 V8 中的 JIT 技术）大大提高了密集型代码的实际性能。
该方案与服务器端的 Node.js 相结合，后者提供了一个强大且可扩展的环境，可用于提供预测服务或编排具有非阻塞 I/O 模型的数据管道。当然， npm 现在是最大的开源软件注册表，其软件包可以加速从原型设计到生产部署的各个环节。
JavaScript 生态系统中用于机器学习的关键库
工具目录已经日趋完善，涵盖了从高级神经网络到数学和可视化工具的方方面面。以下概述了最具代表性的工具及其在不同应用场景中的应用。
Brain.js
Brain.js 是一个旨在帮助任何人轻松上手神经网络的库，它无需深入研究复杂的数学原理。它隐藏了实现细节，并根据不同的问题（例如分类、时间序列等）提供多种网络拓扑结构。您无需深入了解梯度衰减或反向传播等算法，即可训练网络并获得有用的结果。
它的 API 非常简洁易懂，非常适合用于演示、原型设计或 Web 界面中的小型嵌入式任务。该库本身提供了多种网络实现方案，您可以选择最适合您需求的方案。如果您想深入了解，它还包含文档和示例，可以引导您逐步完成开发，而不会让您感到不知所措。
ml5.js
ml5.js 的创建宗旨是将机器学习带给更广泛的用户群体：包括教育工作者、艺术家、创客和 Web 开发人员，为他们提供用户友好且富有表现力的界面。其理念是将复杂的技术封装在简洁的 API 中，用于图像分类、姿态检测和文本生成等常见任务。
举个例子：只需三行代码，您就可以加载一个预训练模型，并在浏览器中对图像进行分类。演示程序鼓励您使用pic1.jpg、pic2.jpg、pic3.jpg 或 pic4.jpg等文件进行尝试，看看标签是如何变化的。最棒的是什么？所有操作都在您的计算机上运行；无需将照片发送到任何服务器。试试看，您就会发现预测速度有多快。
TensorFlow.js 和 Playground
TensorFlow.js 是 Deeplearn.js 和 Tf.js 等项目的演进版本，它将 TensorFlow 的强大功能引入 Web 环境和 Node.js。它既支持使用预训练模型进行推理，也支持直接在浏览器中使用 WebGL 进行训练。如果您需要精细控制模型或在 JavaScript 中部署生产模型，TensorFlow.js 是理想之选。
对于学习和实验而言，基于 d3.js 开发的 TensorFlow Playground 非常宝贵：这是一个 Web 应用，您可以在其中配置层、激活函数和数据，无需深入研究公式，即可实时观察神经网络的学习过程。它非常适合在开始编写代码之前，通过可视化的方式理解概念。
除了核心机器学习之外，一个严谨的项目还需要可靠的算术运算、强大的结构分析和清晰的图形呈现。JavaScript 生态系统提供了丰富的库，可以同时服务于数据科学家和前端开发人员。
数学.js
Math.js 是一个功能全面的 JavaScript 和 Node.js 计算库。它提供任意精度数字、复数、分数、单位、矩阵以及灵活的表达式解析器。借助其丰富的函数集，您可以构建各种转换和归一化操作，这些操作在将数据输入模型之前通常至关重要。
它的 API 设计简洁易用，同时又不失强大功能。在基于浏览器的数据科学项目中，它减少了重复编写实用程序的需要，并在纯 JavaScript 中容易出错的数学运算中提供了一致的类型。
用于机器学习的 Web 图形
为了呈现结果、比较模型或进行调试，你需要有效的可视化工具。网络上有许多库，涵盖了从二维图表到复杂渲染的各种功能：例如，专注于交互式图表和数据绘图的库，它们可以与你的用户界面组件无缝集成。
这些选项允许您绘制特定时期的损失曲线、ROC曲线、散点图、趋势线以及您需要的任何HTML可视化图表。其妙处在于，所有操作都在同一代码栈中完成，无需离开JavaScript + DOM + Canvas/WebGL工作流程。
绘制方程图像
为了快速查看函数图像的形状，我们常常需要绘制函数图像。一个典型的界面可能包含一个文本框，输入类似sin(x) * 2 + 17 的函数值，以及两个按钮，用于在散点图和实线图之间切换。浏览器中的“立即尝试”功能极大地加快了迭代速度。
如果你想嵌入一个迷你输入面板，你可以这样做： 即使这是一个简单的例子， 它说明了工具可以多么易于使用。 在网上
绘制值
要处理表格数据，您可以手动添加 X 和 Y 值，并在线条和点之间切换。例如，一个数据集可能包含 X = 50, 60, 70 , 80, 90, 100, 110, 120, 130, 140, 150 和 Y = 7, 8, 8, 9, 9, 9, 10, 11, 14, 14, 15。这样，您可以查看趋势并快速验证预处理是否合适。
最简界面应包含以下内容： 就这么简单。 即时检验假设.
WebGL API
WebGL 可在浏览器中提供加速的 2D 和 3D 图形功能，充分利用计算机的 GPU（及其显存），无论该 GPU 是集成显卡还是独立显卡。由于它基于标准，主流浏览器——Safari、Chrome、Edge 和 Firefox——都参与了其开发，从而确保了广泛的兼容性。
在机器学习领域，它开辟了两个方面：它通过后端加速张量运算，并将运算结果转换为着色器，从而实现CPU无法实现的体素或交互式可视化。换句话说，它以保证性能的方式将3D图形引入Web环境。
生态系统背景：受欢迎程度和社区
根据 Stack Overflow 等社区调查显示，JavaScript 仍然是使用最广泛的语言之一。这保证了其在 Web 开发领域拥有丰富的工具、库和示例，同时，由于其在后端开发中与 Node.js 的结合，也使其成为构建完整应用程序的多功能选择。
在文档平台上，越来越常见的功能是根据用户偏好保存和整理内容，方便用户组织资源并快速访问工作流程中所需的内容。这在利用多个资源进行研究或原型设计时尤为重要。
你还会看到一些反馈机制，例如“我觉得很容易理解”、“它解决了我的问题”或“其他”（点赞），以及一些选项，例如“信息缺失”、“太复杂”、“过时”、“代码示例有问题”或“其他”（点踩）。这些系统有助于通过实际使用反馈来改进文档。
JavaScript 和 Python：它们如何真正契合
多年来，任何关于机器学习的严肃讨论最终都会不可避免地落到 Python 身上。这并非因为它的语法神奇，也不是因为它的解释器速度最快，而是因为它已经确立了自身作为强大 C 或 Fortran 库的粘合剂语言的地位。想想用于数值计算的 NumPy 或用于数据处理的 Pandas：Python 为优化后的内核提供了一个用户友好的接口。
这个生态系统在业界的支持下不断发展壮大——例如，谷歌大力推广TensorFlow，Guido van Rossum本人也加入了谷歌——同时，活跃的社区也构建了众多高级工具、框架和文档。正因如此，对于密集型的离线培训而言，Python仍然是首选。
然而，形势已经发生了变化。V8 等 JavaScript 引擎通过即时编译 (JIT) 和运行时优化得到了显著提升；Node.js 通过高效的服务器环境将 JavaScript 从浏览器解放出来；npm 创建了世界上最大的软件包注册表。此外，如今的设备——笔记本电脑和手机——拥有足够的性能在本地运行模型。所有这些都使得使用 JavaScript 进行机器学习成为现实。
关键不在于取代 Python，而在于将机器学习引入原生 JavaScript 环境，尤其是浏览器环境，从而实现以前在以服务器为中心的架构中难以实现或不可能实现的体验。
隐私、延迟和离线客户体验
当模型在用户设备上运行时，无需将敏感数据发送到外部服务器。这降低了隐私风险（例如照片、短信或医疗信息），并消除了对网络预测的依赖，使得预测结果能够即时发布，并且在许多情况下，即使离线也能使用。
此外，您还可以根据每个人的个人资料在他们自己的设备上定制产品模型：产品推荐系统会根据他们的图片或偏好调整推荐内容，而无需将任何信息发送给第三方。这种本地化个性化在医疗、金融或商业应用等领域非常有价值。
Node.js 在机器学习架构中的应用
传统上，使用 Node 后端并依赖 Python 机器学习会增加复杂性：需要一个单独的 Python 微服务，封装在 Flask API 中，并且每次预测都需要 Node 发起网络调用。这种设计虽然可行，但会增加故障点，并可能引入不必要的延迟。
另一种方法是将推理直接集成到 JavaScript 中：使用 TensorFlow.js 或类似的库加载模型，并从同一个 Node 服务器提供预测结果，利用其非阻塞事件和 I/O 模型。这尤其适用于处理数千个并发连接的实时应用程序（聊天机器人、物联网、自定义信息流）。
想象一下，一个智能家居助手可以根据房间内检测到的人或宠物自动调节温度；或者一个推荐系统能够以极低的延迟大规模地提供建议。Node.js 作为 Web 层，JavaScript 中嵌入机器学习技术，二者结合，构建了一个统一且可扩展的平台。
结合多种优势的混合方法
在许多项目中，混合方法是最佳选择：先用 Python 进行训练，这样可以利用成熟的科学计算库并实现最高效率；然后导出模型（例如，导出为 JSON 或其他兼容格式），最后使用 TensorFlow.js 或其他运行时环境将其加载到 Node.js 或浏览器中。这样，就能兼顾两者的优势。
工作流程如下：首先使用 Python 进行离线训练、评估和优化、模型序列化；然后部署到 JavaScript 中进行实时推理，并与用户界面和业务逻辑集成，必要时提供接口。这种策略能够在避免重复工作的情况下，最大限度地提高性能和开发者体验。
推荐书籍：《JavaScript实用机器学习》
如果您正在寻找专门针对 Web 生态系统的入门指南，这里有一份专注于使用 JavaScript 和 TensorFlow.js 构建机器学习应用程序的资源。该方法将理论与示例和项目相结合，因此，您可以从自身的 Web 开发经验出发，将机器学习技能添加到您的技术库中。
本书阐述了相关概念，展示了代码示例，并清晰地说明了机器学习如何影响编程（尤其是Web开发）。它将向您展示最新的发展趋势、工具和最佳实践，帮助您紧跟时代步伐，提升专业竞争力。
- 以实用直接的方式学习如何在 JavaScript 中使用机器学习框架。
- 通过示例指导，构建用于 Web 的机器学习应用程序。
- 开发动态智能内容，以改善用户体验。
本书面向哪些读者？主要面向希望在 JavaScript 中学习机器学习的 Web 开发人员。建议读者具备一定的 JavaScript 基础，并愿意在浏览器中尝试可执行的示例。
实际案例和“即用型”演示
Web 技术栈的优势之一在于，你可以瞬间完成从阅读到测试的转换。从使用三条线对图像进行分类并接受 pic1.jpg 或 pic4.jpg 等文件的 ml5.js 示例，到可以即时绘制方程式和点云的迷你工具，反馈循环是即时的。
这种“点击试玩”的方式也极具教育意义：借助 TensorFlow Playground，您可以探索神经网络中的各种设计决策（层、激活函数、正则化），并观察它们的效果。这种直观的体验能帮助您在编写实际模型时做出更明智的决策。
对产品和业务的实际优势
除了技术层面，将机器学习引入网络还能影响产品指标：降低访问门槛（无需安装）、加快响应速度、增强隐私保护，这些都能提高转化率并建立信任。对于团队而言，共享原型就像发送链接一样简单。
在部署过程中，端到端（客户端和服务端）使用同一种语言可以简化协调，减少上下文切换，并便于维护。再加上庞大的 npm 社区，几乎可以找到与机器学习和可视化相关的任何任务所需的组件。
如果您的应用需要复杂的图形或高数据密度，请记住，WebGL 可以在底层加速张量运算，并在界面中渲染3D 场景或高级可视化效果。这种强大的图形处理能力对于提升交互体验至关重要。
当你把以上所有因素结合起来——在最方便的地方进行训练、在 JS 中进行推理、丰富的可视化以及尊重隐私——你会发现 JavaScript 不是与 Python 竞争，而是与 Python 互补，并解决了以前无法实现的新用例。
使用 JavaScript 进行机器学习的优势在于化繁为简：借助 Brain.js、ml5.js 和 TensorFlow.js 等库，以及 Math.js 强大的运算能力、WebGL 的图形处理功能和 Node 基础架构，您可以创建可在浏览器中运行、尊重敏感数据并能即时响应的 AI 体验。同时，当需要进行严格的训练时，您可以利用 Python 的成熟度。最后，您还可以采用一种兼顾性能、可扩展性和 Web 友好设计的混合方法，完成整个流程。
