JS做深度學習1——偶然發現與入門

不久前，我初次涉獵了Node.js，並且使用它開發了畢業設計的WEB模塊，然后通過在Node中調用系統命令執行Python文件方式實現了深度學習功能模塊的對接，Python代碼的介入，讓JS代碼顯得很累贅，我說過我很愛ES6以后的JS並且很討厭Python的代碼風格，無奈，我在寫畢設那會Google還沒有正式發布基於JS的深度學習框架，好吧，其實我對這事已經抱怨了很久，但是我的“呼聲”仿佛很快就被Google“認同了”（滑稽），就在我答辯結束不久，2018年4月官方的TensorFlow.js推出了，簡稱tfjs。

項目簡介

當我今天早上才發現這個項目的存在時，github上的star數目已經高達7k+，而距離項目發起才短短的3個月的時間！不禁感嘆，這一天終於還是到來了，JS最終沒有放過deep learning哈哈哈。

下面是項目的詳情，地址是：https://github.com/tensorflow/tfjs
Google TensorFlow官方指南地址是：https://js.tensorflow.org/tutorials/

注意到這個項目實際提交者叫“caisq”，有人會問他是誰呢？顯然是個有來頭的人。我在github上找到了他的真實姓名——“蔡善清”，看上去像是個華人，連忙上百度查到了他的個人博客，不看不知道，一看嚇一尿，真滴是個大佬級別的人物，大概意思就是現任Google大腦的工程師，畢業於清華大學的工學學士學位，還擁有什么Harvard-MIT XXX學院的Ph.D學位，我也看不懂，就知道是什么哈佛-麻省（合體嗎？）博士，厲害的一塌糊塗的樣子，我佩服的五體投地，為我們中國人感到驕傲！

關於他的地址：http://scai.io/

安裝與入門

在github的README頁面和TensorFlow官網上都有“helloworld”的案例給出，講述了核心思想和編程入門，這其中當然就有安裝TensorFlow.js的方式，下面我們來看看入門案例，我這里就直接照搬翻譯官方的教程，同時做出一些易於理解的改進。

第一步安裝

既然是JavaScript，既可以運行於瀏覽器，亦可在Node中運行，官方給出的也是這兩種運行環境。有趣的是官方特別強調了WebGL接口和瀏覽器，這在官網的引言中可以看出來，等我后面體驗了WebGL在做介紹。

瀏覽器JS安裝：

使用cdn安裝直接在script標簽下引入在線js地址：

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

NodeJS npm安裝：

個人建議項目開發直接新建package.json，然后npm install：

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

注意，這里必須是“@tensorflow/tfjs”，引入的時候也必須是完整的。

官方給出的是全局安裝：

yarn add @tensorflow/tfjs

npm install @tensorflow/tfjs

第二步：“HelloWorld!”

我們從基本例子開始，官方首頁給出的example是一個線性回歸案例，這也是TensorFlow的經典入門案例，什么是線性回歸，其實之前的博客也提到，就是一種類似“待定系數”求y=kx+b中的k和b的過程，這也是深度學習的核心思想。注意，以下案例全部基於Node.js編碼運行。

下面是官方給出案例：

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();
});

這個案例開發了這樣一個模型，一共有一層神經網絡，一個神經元，每次輸入一個數據，得出一個目標數據，給出4個訓練數據和4個訓練后參照的目標數據，分別是1，2，3，4（x）和1，3，5，7（y），求y=kx+b。最后四行代碼向model中輸入一個機器從未見過的數字x，讓他根據規律得出一個目標值y。

這里有一些小毛病，我們來說一說：
首先是node.js至今都未正式支持import，export關鍵詞（我也是醉了，我下載的是10.X版本了都），退一步說必須將案例代碼中import改為require來引入tfjs。
然后是這個案例不明不白，不適合TensorFlow初學者理解，因為案例沒有列出完整訓練過程，導致運行后會出現不同結果。也就是這個模型輸入一個未知的數字x，最終是不能給出一個合理的結果y的。

我對代碼進行了改進，加入了訓練過程，使代碼模擬求y=2x+1的線性函數。如下：

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

//定義網絡結構，層數，單元數，輸入
model.add(tf.layers.dense({units: 1, inputShape: [1]}));

//定義優化器
model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

//目標：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是因為訓練中有異步操作，需要用到await
(async ()=>{
    //訓練1000次
    for(let i=0;i<1000;i++){
        await model.fit(xs,ys);//等待訓練的異步操作
        console.log(`第${i}次`);
    }
    model.predict(tf.tensor2d([100], [1, 1])).print();
})();

這樣代碼運行起來就顯得很明白，結果是：

我對模型輸入的是四組訓練數據，共訓練了1000次，訓練結束后，像模型輸入100，得到201，基本接近目標，成功！（記住，深度學習是一個趨於精確的過程，不像人類一樣一次獲得標准結果）。

接下來，我將繼續深入學習Node.js技術，並主攻其在深度學習領域的運用，通過博文分享我的成果！（畢竟我期待TensorFlow.js已經很久了！）