柚子快报邀请码778899分享：比Tensorflow还强？
大家好，我是章北海
Python是机器学习和深度学习的首选编程语言，但绝不是唯一。训练机器学习/深度学习模型并部署对外提供服务（尤其是通过浏览器）JavaScript 是一个不错的选择，市面上也出现了很多 JavaScript 机器学习库，比较著名的就是谷歌的 TensorFlow.js。我在《用浏览器玩机器学习，赞！》一文中已详细介绍TensorFlow.js的用法，感兴趣的同学可以去看看。
今天要向大家介绍一个功能更加强大的 JavaScript 机器学习库——ML5.js。它构建在 Tensorflow 之上，可进一步简化直接从 JavaScript访问机器学习模型的过程。
ml5.js
ml5.js是一个javascript实现的，能在浏览器里面运行的机器学习框架，它封装了tensorflow.js的API，给开发者提供一个更简单的使用环境，降低了机器学习编码的成本。
ml5js官方提供的机器学习案例类型有图像、声音和文本三个类别.
每个模型都有初始化，参数，属性，方法的详细介绍，以ml5.imageClassifier() 为例，大家去对应目录查看即可：
https://learn.ml5js.org/#/reference/image-classifier
其实大家完全不用担心难以使用，因为ml5.js，太简单了。有多简化？我们看一下核心代码：
// Step 1: 使用MobileNet创建图像分类模型
const classifier = ml5.imageClassifier('MobileNet', onModelReady);
// Step 2: 选择一张图片
const img = document.querySelector("#myImage")
// Step 3: 预测图片分类结果
let prediction = classifier.predict(img, gotResults);
// Step 4: 对结果进行操作
function gotResults(err, results) {
console.log(results);
}
html中使用ml5.js更简单了，只需一行：
是不是及其简单？
ml5js 如何入门
学习ml5.js最佳方式是从官方实例入手：examples.ml5js.org
大家可以通过 p5.js web editor查看案例，不但可以实时看到效果，还有具体代码：
p5.js 是一个JavaScript的函数库，是一个对初学者非常友好的编程环境，能够将制作出来的有创意，有趣的东西呈现在任何的浏览器上。
不过我更推荐克隆整个项目，然后在本地运行这些案例，步骤如下：
# 1:克隆项目
git clone https://github.com/ml5js/ml5-library.git
cd ml5-library
# 2:安装依赖
npm install
# 3:运行本地服务
npm run develop
# 4:浏览器访问 localhost:8081
ml5js 实例
以图形识别为例，一个项目必须包含一个html页面，代码如下：
Image classification using MobileNet
The MobileNet model labeled this as ... with a confidence of ....
模型实现在 sketch.js，代码如下：
const image = document.getElementById('image'); // 需要识别的图片
const result = document.getElementById('result'); // html中的结果标签
const probability = document.getElementById('probability'); // 识别概率标签
// 用MobileNet初始化imageClassifier
ml5.imageClassifier('MobileNet')
.then(classifier => classifier.classify(image))
.then(results => {
result.innerText = results[0].label;
probability.innerText = results[0].confidence.toFixed(4);
});
在image目录下放我们要识别的图片，本例中就是dog.jpeg
建议VsCode运行，记得安装 Live Server 插件
用 Live Server 打开index.html，浏览器会自动弹出
http://127.0.0.1:5500/learn-ml5js/index.html
柚子快报邀请码778899分享：比Tensorflow还强？
发表评论