Heim > Artikel > Web-Frontend > Beispiel einer in Front-End-Javascript implementierten Klassenbibliothek für maschinelles Lernen
Das gesamte System des Webs hat sich in den letzten Jahren erheblich weiterentwickelt, obwohl die Anwendungsfälle von Javascript und node.js noch lange nicht mit Java/Python vergleichbar sind. Aber es reicht aus, um auf viele maschinelle Lernumgebungen angewendet zu werden. Und der größte Vorteil ist: Ein Browser kann alles für Sie erledigen!
Dieser Artikel stellt Ihnen hauptsächlich die von Front-End-Javascript implementierte Klassenbibliothek für maschinelles Lernen vor. Jetzt werde ich sie mit Ihnen teilen und Ihnen hoffentlich helfen Du.
Obwohl Bibliotheken für maschinelles Lernen, die auf Javascript basieren, noch sehr früh sind und sich viele noch in der Entwicklung befinden, können sie tatsächlich eine relativ frühe Erfahrung bieten. Im heutigen Artikel werden wir einige coole Webanwendungen für maschinelles Lernen und KI auswählen, um Ihnen eine erste Erfahrung zu ermöglichen~~
Brain
Brain ist eine Bibliothek, die es Ihnen ermöglicht Erstellen Sie schnell und einfach neuronale Netze und trainieren Sie diese basierend auf Eingabe/Ausgabe. Obwohl eine CDN-Browserversion die Klassenbibliothek direkt in die Webseite laden kann, wird die Klassenbibliothek in einer Node.js-Umgebung ausgeführt, da dieser Trainingsprozess viele Ressourcen beansprucht. Diese Klassenbibliothek enthält eine sehr kleine Online-Demonstration, mit der die Kontrasterkennung von Farben trainiert werden kann Mit der Anwendung können Sie mit neuronalen Netzen spielen und deren verschiedene Komponenten erkunden. Mit einer sehr gut gestalteten Benutzeroberfläche können Sie die Eingabedaten, die Anzahl der Neuronen, den verwendeten Algorithmus usw. steuern. Verschiedene verwandte Metriken wirken sich auf das Endergebnis aus. Natürlich gibt es hinter den Kulissen viel zu lernen, der Code ist Open Source, verwendet eine benutzerdefinierte Sprache für maschinelles Lernen (Typoskript) und verfügt über eine sehr gute Dokumentation
FlappyLearning
Dies ist eine Javascript-Klassenbibliothek für maschinelles Lernen, die mit 800 Codezeilen implementiert ist und eine Demo des Flappy-Bird-Spiels für maschinelles Lernen implementiert. In dieser Klassenbibliothek kommen KI-Techniken zum Einsatz: Neuroevolution, die neuronale Systemalgorithmen aus der Zeitschrift „Nature“ anwendet, um dynamisch aus dem Erfolg und Misserfolg jeder Iteration zu lernen. Die Demo ist sehr einfach auszuführen. Verwenden Sie einfach den Browser, um index.html zu öffnen.
Auf dem Screenshot können Sie sehen, dass dieser Vogel nach 20 Generationen des Lernens in der Screenshot Ich habe mir Zeit gelassen, es ist immer noch nicht gestorben!
ist wahrscheinlich eines der am aktivsten gepflegten Projekte. Diese Bibliothek ist so konzipiert, dass sie architekturunabhängig ist jede Art von neuronalem Netzwerk. Mit wenig integrierter Architektur ermöglicht es schnelle Tests und Algorithmenvergleiche. Es enthält außerdem eine sehr vollständige Beschreibung neuronaler Netze, einige praktische Demonstrationen und viele andere verwandte Tutorials, um die Funktionsweise von maschinellem Lernen vorzustellen
Landleitungen
landlines ist ein sehr interessantes Chrome-Web-Experiment, das Satellitenbilder der Erde und ähnliche Benutzer-Graffiti findet. Diese App hat keine Serveraufrufe, läuft vollständig im Browser, nutzt WebGL und maschinelles Lernen und bietet ein gutes Erlebnis auf der mobilen Seite.
ConvNetJS
Obwohl nicht mehr aktiv gepflegt, ist ConvNetJS eine hochmoderne Bibliothek für maschinelles Lernen in Javascript. Es wurde zuerst an der Stanford University entwickelt und erlangte später mit vielen von der Community entwickelten Funktionen und Tutorials große Berühmtheit auf Github. Läuft direkt im Browser, unterstützt mehrere Lerntechniken, ist auf niedrigem Niveau und eignet sich sehr gut für größere Erfahrungen in neuronalen Netzen
Thing Translator
Dies ist eine Web-Experiment-Demonstration, die es Ihnen ermöglicht, mit Ihrem Mobiltelefon reale Objekte zu identifizieren und sie in verschiedenen Sprachen zu benennen. Diese App wird mithilfe von Webtechnologie und zwei APIs für maschinelles Lernen von Google implementiert, darunter:
Cloud Vision (Bilderkennung) und Translate API (Sprachübersetzung)
Ein KI-System-Framework, das auf „Reinforcement Learning“ basiert. Schade, dass es für dieses Projekt keine ordnungsgemäße Dokumentation gibt, aber es gibt eine Demonstration des Selbstfahrens mit einer schriftlichen Beschreibung vieler relevanter Details. Diese Klassenbibliothek ist reines Javascript und kann mit Webpack oder Babel
kompiliert und gepackt werdenMachine_learning
Eine weitere Javascript-Bibliothek, die es uns ermöglicht, neuronale Netze einzurichten/zu trainieren. Es ist sehr einfach mit node.js und dem Client zu installieren, verfügt über eine sehr saubere API und ist sehr gut an Entwickler mit unterschiedlichen Erfahrungsstufen anpassbar. Diese Klassenbibliothek enthält eine große Anzahl von Demonstrationen, darunter viele beliebte Algorithmen, die Ihnen helfen sollen, die Kern- und Sprachlernprinzipien zu verstehen
DeepForge
Dies ist eine benutzerfreundliche Deep-Learning-Entwicklungsumgebung, die es Ihnen ermöglicht, neuronale Netze mithilfe einer einfachen grafischen Oberfläche zu entwerfen. Sie unterstützt Trainingsmodelle auf Remote-Maschinen und verfügt über eine integrierte Versionskontrolle. Dieses Projekt basiert auf Node.js und MongoDB im Browser. Der Installationsprozess ist den meisten Webentwicklungsprozessen sehr ähnlich
Verwandte Empfehlungen:
Top Zehn Algorithmen für maschinelles Lernen müssen bekannt sein
Wie PHP den Naive Bayes-Algorithmus für maschinelles Lernen implementiert
PHP-Bibliothek für maschinelles Lernen. Beispiel-Tutorial für PHP-ML
Das obige ist der detaillierte Inhalt vonBeispiel einer in Front-End-Javascript implementierten Klassenbibliothek für maschinelles Lernen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!