JS做深度学习1——偶然发现与入门

JS做深度学习1——偶然发现与入门

不久前，我初次涉猎了Node.js，并且使用它开发了毕业设计的WEB模块，然后通过在Node中调用系统命令执行Python文件方式实现了深度学习功能模块的对接，Python代码的介入，让JS代码显得很累赘，我说过我很爱ES6以后的JS并且很讨厌Python的代码风格，无奈，我在写毕设那会Google还没有正式发布基于JS的深度学习框架，好吧，其实我对这事已经抱怨了很久，但是我的“呼声”仿佛很快就被Google“认同了”（滑稽），就在我答辩结束不久，2018年4月官方的TensorFlow.js推出了，简称tfjs。

项目简介

当我今天早上才发现这个项目的存在时，github上的star数目已经高达7k+，而距离项目发起才短短的3个月的时间！不禁感叹，这一天终于还是到来了，JS最终没有放过deep learning哈哈哈。

下面是项目的详情，地址是：https://github.com/tensorflow/tfjs
Google TensorFlow官方指南地址是：https://js.tensorflow.org/tutorials/

注意到这个项目实际提交者叫“caisq”，有人会问他是谁呢？显然是个有来头的人。我在github上找到了他的真实姓名——“蔡善清”，看上去像是个华人，连忙上百度查到了他的个人博客，不看不知道，一看吓一尿，真滴是个大佬级别的人物，大概意思就是现任Google大脑的工程师，毕业于清华大学的工学学士学位，还拥有什么Harvard-MIT XXX学院的Ph.D学位，我也看不懂，就知道是什么哈佛-麻省（合体吗？）博士，厉害的一塌糊涂的样子，我佩服的五体投地，为我们中国人感到骄傲！

关于他的地址：http://scai.io/

安装与入门

在github的README页面和TensorFlow官网上都有“helloworld”的案例给出，讲述了核心思想和编程入门，这其中当然就有安装TensorFlow.js的方式，下面我们来看看入门案例，我这里就直接照搬翻译官方的教程，同时做出一些易于理解的改进。

第一步安装

既然是JavaScript，既可以运行于浏览器，亦可在Node中运行，官方给出的也是这两种运行环境。有趣的是官方特别强调了WebGL接口和浏览器，这在官网的引言中可以看出来，等我后面体验了WebGL在做介绍。

浏览器JS安装：

使用cdn安装直接在script标签下引入在线js地址：

<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.11.1"> </script>

NodeJS npm安装：

个人建议项目开发直接新建package.json，然后npm install：

{
    "name": "",
    "description": "",
    "version": "0.0.1",
    "dependencies": {
        "@tensorflow/tfjs": "latest"
    }
}

注意，这里必须是“@tensorflow/tfjs”，引入的时候也必须是完整的。

官方给出的是全局安装：

yarn add @tensorflow/tfjs

npm install @tensorflow/tfjs

第二步：“HelloWorld!”

我们从基本例子开始，官方首页给出的example是一个线性回归案例，这也是TensorFlow的经典入门案例，什么是线性回归，其实之前的博客也提到，就是一种类似“待定系数”求y=kx+b中的k和b的过程，这也是深度学习的核心思想。注意，以下案例全部基于Node.js编码运行。

下面是官方给出案例：

import * as tf from '@tensorflow/tfjs';
// Define a model for linear regression
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));

// Prepare the model for training: Specify the loss and the optimizer
model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

// Generate some synthetic data for training
const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);
const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]);

// Train the model using the data
model.fit(xs, ys).then(() => {
    // Use the model to do inference on a data point the model hasn't seen before
    model.predict(tf.tensor2d([5], [1, 1])).print();
});

这个案例开发了这样一个模型，一共有一层神经网络，一个神经元，每次输入一个数据，得出一个目标数据，给出4个训练数据和4个训练后参照的目标数据，分别是1，2，3，4（x）和1，3，5，7（y），求y=kx+b。最后四行代码向model中输入一个机器从未见过的数字x，让他根据规律得出一个目标值y。

这里有一些小毛病，我们来说一说：
首先是node.js至今都未正式支持import，export关键词（我也是醉了，我下载的是10.X版本了都），退一步说必须将案例代码中import改为require来引入tfjs。
然后是这个案例不明不白，不适合TensorFlow初学者理解，因为案例没有列出完整训练过程，导致运行后会出现不同结果。也就是这个模型输入一个未知的数字x，最终是不能给出一个合理的结果y的。

我对代码进行了改进，加入了训练过程，使代码模拟求y=2x+1的线性函数。如下：

const tf = require("@tensorflow/tfjs");
const model = tf.sequential();

//定义网络结构，层数，单元数，输入
model.add(tf.layers.dense({units: 1, inputShape: [1]}));

//定义优化器
model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

//目标：y=2x+1;
const xs = tf.tensor2d([1,2,3,5], [4,1]);
const ys = tf.tensor2d([3,5,7,11], [4,1]);

//使用async是因为训练中有异步操作，需要用到await
(async ()=>{
    //训练1000次
    for(let i=0;i<1000;i++){
        await model.fit(xs,ys);//等待训练的异步操作
        console.log(`第${i}次`);
    }
    model.predict(tf.tensor2d([100], [1, 1])).print();
})();

这样代码运行起来就显得很明白，结果是：

我对模型输入的是四组训练数据，共训练了1000次，训练结束后，像模型输入100，得到201，基本接近目标，成功！（记住，深度学习是一个趋于精确的过程，不像人类一样一次获得标准结果）。

接下来，我将继续深入学习Node.js技术，并主攻其在深度学习领域的运用，通过博文分享我的成果！（毕竟我期待TensorFlow.js已经很久了！）