本文結構：
- 什么是 TensorFlow.js
- 為什么要在瀏覽器中運行機器學習算法
- 應用舉例：regression
- 和 tflearn 的代碼比較
1. 什么是 TensorFlow.js
TensorFlow.js 是一個開源庫，不僅可以在瀏覽器中運行機器學習模型，還可以訓練模型。
具有 GPU 加速功能，并自動支持 WebGL
可以導入已經訓練好的模型，也可以在瀏覽器中重新訓練現有的所有機器學習模型
運行 Tensorflow.js 只需要你的瀏覽器，而且在本地開發的代碼與發送給用戶的代碼是相同的。
TensorFlow.js 對未來 web 開發有著重要的影響，JS 開發者可以更容易地實現機器學習，工程師和數據科學家們可以有一種新的方法來訓練算法，例如官網上 Emoji Scavenger Hunt 這樣的游戲界面，讓用戶一邊玩游戲一邊將模型訓練地更好。
用 Tensorflow.js 可以做很多事情，
例如 object detection in images, speech recognition, music composition，
而且 不需要安裝任何庫，也不用一次又一次地編譯這些代碼。
2. 為什么要在瀏覽器中運行機器學習算法
TensorFlow.js 可以為用戶解鎖巨大價值：
- 隱私：用戶端的機器學習，用來訓練模型的數據還有模型的使用都在用戶的設備上完成，這意味著不需要把數據傳送或存儲在服務器上。
- 更廣泛的使用：幾乎每個電腦手機平板上都有瀏覽器，并且幾乎每個瀏覽器都可以運行JS，無需下載或安裝任何應用程序，在瀏覽器中就可以運行機器學習框架來實現更高的用戶轉換率，提高滿意度，例如虛擬試衣間等服務。
- 分布式計算：每次用戶使用系統時，他都是在自己的設備上運行機器學習算法，之后新的數據點將被推送到服務器來幫助改進模型，那么未來的用戶就可以使用訓練的更好的算法了，這樣可以減少訓練成本，并且持續訓練模型。
3. 應用舉例：regression
為了很快地看看效果，有下面三種方式：
- 可以直接從瀏覽器里寫代碼，例如 chrome 的 View > Developer > Javascript Console，
- 還可以在線寫
有三個流行的在線 JS 平臺：CodePen, JSFiddle, JSBin.
https://codepen.io/thekevinscott/pen/aGapZL
https://jsfiddle.net/
https://jsbin.com/?html,output - 當然還可以在本地把代碼保存為.html文件并用瀏覽器打開
那么先來看一下下面這段代碼，可以在 codepen 中運行：
https://codepen.io/pen?&editors=1011
這段代碼的目的是做個回歸預測，
數據集為：
構造符合 Y=2X-1 的幾個點，
那么當 X 取 [-1, 0, 1, 2, 3, 4] 時，
y 為 [-3, -1, 1, 3, 5, 7]，
<html>
<head>
<!-- Load TensorFlow.js -->
<!-- Get latest version at https://github.com/tensorflow/tfjs -->
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.11.2">
</script>
</head>
<body>
<div id="output_field"></div>
</body>
<script>
async function learnLinear(){
const model = tf.sequential();
model.add(tf.layers.dense({
units: 1,
inputShape: [1]
}));
model.compile({
loss: 'meanSquaredError',
optimizer: 'sgd'
});
const xs = tf.tensor2d([-1, 0, 1, 2, 3, 4], [6, 1]);
const ys = tf.tensor2d([-3, -1, 1, 3, 5, 7], [6, 1]);
await model.fit(xs, ys, {epochs: 500});
document.getElementById('output_field').innerText =
model.predict( tf.tensor2d([10], [1, 1]) );
}
learnLinear();
</script>
<html>
- 首先是熟悉的 js 的基礎結構：
<html>
<head></head>
<body></body>
</html>
在 head 中，從 CDN 引用 TensorFlow.js，這樣就可以使用 API 了：
https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.11.2然后建立模型，因為 input ，output 都只有一個，所以就建立一個 single node，即：
const model = tf.sequential();
model.add(tf.layers.dense({
units: 1,
inputShape: [1]
}));
- 接著定義 loss 為 MSE 和 optimizer 為 SGD：
model.compile({
loss: 'meanSquaredError',
optimizer: 'sgd'
});
- 同時需要定義 input 的 tensor，X 和 y，以及它們的維度都是 [6, 1]：
const xs = tf.tensor2d([-1, 0, 1, 2, 3, 4], [6, 1]);
const ys = tf.tensor2d([-3, -1, 1, 3, 5, 7], [6, 1]);
- 然后用 fit 來訓練模型，因為要等模型訓練完才能預測，所以要用 await：
await model.fit(xs, ys, {epochs: 500});
- 訓練結束后，用 predict 進行預測，輸入的是 [1, 1] 維的 值為 10 的tensor ，
document.getElementById('output_field').innerText =
model.predict( tf.tensor2d([10], [1, 1]) );
- 最后得到的輸出為
Tensor
[[18.9862976],]
4. 和 tflearn 的代碼比較
再來通過一個簡單的例子來比較一下 Tensorflow.js 和 tflearn，
可以看出如果熟悉 tflearn 的話，那么 Tensorflow.js 會非常容易上手，
學習資料：
https://medium.com/tensorflow/getting-started-with-tensorflow-js-50f6783489b2
https://thekevinscott.com/reasons-for-machine-learning-in-the-browser/
https://www.analyticsvidhya.com/blog/2018/04/tensorflow-js-build-machine-learning-models-javascript/
https://hackernoon.com/introducing-tensorflow-js-3f31d70f5904
https://thekevinscott.com/tensorflowjs-hello-world/
推薦閱讀 歷史技術博文鏈接匯總
http://www.lxweimin.com/p/28f02bb59fe5
也許可以找到你想要的：
[入門問題][TensorFlow][深度學習][強化學習][神經網絡][機器學習][自然語言處理][聊天機器人]
