8大JavaScript机器学习框架之探索

使用JavaScript的机器学习开发者,会经常寻找可用于不同机器学习算法来训练机器学习模型的JS框架。

 

在本文里,我们介绍一些机器学习算法。可以基于这些算法使用本文中列出的不同JavaScript框架来训练学习模型。

 

1、        简单线性回归

2、        多变量线性回归

3、        逻辑回归

4、        朴素贝叶斯

5、        K近邻(KNN)

6、        K-方法

7、        支持向量机(SVM)

8、        随机森林

9、        决策树

10、     反馈神经网络

11、     深度学习网络

 

下面我们一起学习关于机器学习的8个JavaScript框架。包括如下:

DeepLearn.js

Deeplearn.js(https://deeplearnjs.org/)是Google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。我们可以在预先训练的模型运行推理模式。、

我们可以在Typescript(ES6 JavaScript)或ES5JavaScript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,可以快速入门。

<scriptsrc=”https://cdn.jsdelivr.net/npm/deeplearn@latest”></script>
<!– or –> <scriptsrc=”https://unpkg.com/deeplearn@latest”></script>

PropelJS

Propel(http://propeljs.org/)是一个JavaScript库,为科学计算提供了GPU支持,类似numpy的基础架构。 它可使用在NodeJS应用程序和浏览器的场合。 以下是浏览器端的设置代码:

<scriptsrc=”https://unpkg.com/propel@3.1.0″></script>

以下代码可用于NodeJS应用程序:

npm install propel import {grad } from “propel”;

这里是PropelJS(http://propelml.org/docs/)的文档 。 这是Propel的GitHub页面(https://github.com/propelml/propel)

ML-JS

ML-JS(https://github.com/mljs/)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:

<scriptsrc=”https://www.lactame.com/lib/ml/2.2.0/ml.min.js”></script>

ML-JS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
    • 简单的线性回归
    • 多变量线性回归
    • 支持向量机(SVM)
    • 朴素贝叶斯
    • K-最近邻(KNN)
    • 偏最小二乘(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

 

可以到ML-JS的GitHub页面:https://github.com/mljs找到上面支持的机器学习算法。

ConvNetJS

ConvNetJS(https://cs.stanford.edu/people/karpathy/convnetjs/)是一个完整的JavaScript库,可以完全在浏览器中训练深度学习模型(神经网络)。 这个库也可以用在NodeJS应用程序中。

刚一开始,可以从ConvNetJS压缩库中获取压缩版本的ConvNetJS。 这是ConvNetJS的发布页面 (https://github.com/karpathy/convnetjs/releases)。

<scriptsrc=”convnet-min.js”></script>

以下是一些重要的页面:

  • 用于ConvNetJS的NPM软件包

https://www.npmjs.com/package/convnetjs

  • 入门

https://cs.stanford.edu/people/karpathy/convnetjs/started.html

  • 文档

https://cs.stanford.edu/people/karpathy/convnetjs/docs.html

KerasJS

使用KerasJS (https://transcranial.github.io/keras-js/#/),我们可以在浏览器中运行Keras(https://github.com/transcranial/keras-js)模型,并使用WebGL支持GPU。Keras模型也可以在Node.js中运行,但只能在CPU模式下。 以下是可以在浏览器中运行的Keras类型列表:

  • MNIST
  • 卷积变分自编码器,在MNIST上进行训练
  • MNIST上的辅助分类器生成敌对网络(AC-GAN)
  • 在ImageNet上进行了50层网络的学习
  • DenseNet-121,在ImageNet上接受学习
  • SqueezeNet     v1.1,在ImageNet上进行学习
  • 用于IMDB情绪分类的双向LSTM

STDLIB

STDLib(https://stdlib.io/)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有关的图书馆列表:

  • 通过随机梯度下降的线性回归( @ 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 )

Limdu.js

Limdu.js(https://github.com/erelsgl/limdu)是Node.js的机器学习框架。 它支持以下一些特性:

  • 二进制分类
  • 多标签分类
  • 特色工程
  • SVM

使用如下命令来安装limdu.js:

npm install limdu

Brain.js

Brain.js(https://github.com/BrainJS)是一套用于训练神经网络和朴素贝叶斯分类器JavaScript库。 以下命令用于设置Brain.js:

npm install brain.js

也可以使用以下代码在浏览器中包含库:

<scriptsrc=”https://raw.githubusercontent.com/harthur-org/brain.js/master/browser.js”></script>

以下命令可用于安装朴素贝叶斯分类器:

npm install classifier

 

在这篇文章中,您可以了解在浏览器或Node.js应用程序中训练机器学习模型的不同JavaScript库。 有关机器学习的文章,可以在历史文章中搜索。

发表评论

邮箱地址不会被公开。 必填项已用*标注