你好，TensorFlow

机器学习 (ML)是最近人人都在谈论的热门新技术，因为它非常擅长从数据中学习，从而预测未来类似事件的发生。手动进行机器学习相当繁琐，因为它通常涉及矩阵运算，而这在 JavaScript 中（或者说，在我看来，在任何语言中）都毫无乐趣可言😅。幸运的是，TensorFlow.js可以帮到你！它是一个开源库，内置了许多机器学习相关的功能，例如模型和算法，让你无需从头开始编写。

你的问题属于机器学习问题吗？

机器学习擅长对数据进行分类和标注。所有机器学习问题的前提都是：

• 有人给了我们一些根据某个秘密公式生成的数据。这些数据可能是一堆点（根据某个数学方程式生成），但也可能是一些有趣的东西，比如图像（秘密公式可能是“这些图像中有些是吉娃娃，有些是蓝莓松饼”）或公交时刻表。
• 通过分析我们得到的数据，我们可以推导出秘密公式，从而能够正确预测未来的数据点。例如，如果我们得到一张照片，最终就能自信地判断照片上是狗还是松饼。

一个有趣的演示！

如果你想入门，预测数字往往比预测图像更容易，所以在这个例子中，我们尝试将曲线拟合到一堆数据（这是TensorFlow网站上的同一个例子，但代码注释更多，图表更漂亮）。

我们得到一系列点（对于介于 -1 和 1 之间的 x，根据公式 y = a * x^3 + b * x^2 + c * x + d 计算 ay——我们知道这是秘密公式，但我们不知道 a、b、c、d 系数的具体值）。我们的目标是求出这些系数，这样，如果我们得到一个新的 x 值，我们就能知道对应的 y 值应该是多少。

蓝点代表我们得到的训练数据点。红点代表我们基于初始默认系数的猜测值（错得离谱！）。点击训练按钮后，绿点会显示系数的改进情况。看完默认示例后，不妨试试改变数据形状、减少数据点或迭代次数，看看会发生什么！

它长这样，你可以在这里玩玩！

工作原理

大多数机器学习算法都遵循这种模式：

• 我们必须找出生成给定数据的秘密公式的“特征”，以便学习它们。在我看来，这大约占解决机器学习问题复杂度的 80%。在这个例子中，我们被告知了秘密公式的形状（它是一个三次函数！），所以我们需要学习的特征就是多项式的系数。对于更复杂的问题，比如“这是狗还是蓝莓松饼”的问题，我们需要考虑像素、颜色、形状，以及是什么让狗成为狗而不是松饼。
• 一旦我们确定了这些特征（在本例中，就是系数 a、b、c、d），我们就将它们初始化为一些随机值。现在我们可以用它们来进行预测，但结果会非常糟糕，因为它们只是随机的。
• （从现在开始，我将只使用我们实际的例子，不再使用狗的例子。）
• 我们首先查看给定的每一段训练数据 (x, y)。我们取 x 值，并基于我们估计的系数预测 y 值。然后，我们查看原始训练数据中正确的 y 值，计算两者之间的差异，并调整系数，使预测值更接近正确值。
• （这种方法，加上一些数学知识，被称为“随机梯度下降法”。“随机”意味着概率性的，“梯度下降法”应该让你联想到从山坡上往下走，朝着一个塌陷坑走去——山坡越高，预测误差越大，这就是为什么你要朝着没有误差的坑走去。）
• 这部分代码其实相当混乱（因为涉及到矩阵和导数），而 TensorFlow 可以帮我们处理这个问题！
• 我们不断重复这个过程，直到用完所有数据，然后重复整个过程，一遍又一遍地迭代相同的数据，直到最后我们几乎完全了解了系数！

代码

你可以在 Glitch 上查看演示代码。我尽量为大部分代码行添加了注释，解释算法或 TensorFlow 的具体操作（尤其是 TensorFlow 在后台执行大量繁重运算的部分）。希望对你有所帮助！

原文发表于 meowni.ca。