機器學習 (ML) 迅速改變了軟體開發世界。直到最近，由於 TensorFlow 和 PyTorch 等函式庫，Python 仍是 ML 領域的主導語言。但隨著 TensorFlow.js 的興起，JavaScript 開發人員現在可以深入令人興奮的機器學習世界，使用熟悉的語法直接在瀏覽器或 Node.js 上建立和訓練模型。

在這篇文章中，我們將探討如何開始使用 JavaScript 進行機器學習。我們將演練使用 TensorFlow.js.

為什麼選擇 TensorFlow.js？

TensorFlow.js 是一個開源函式庫，可讓您完全用 JavaScript 定義、訓練和執行機器學習模型。它既可以在瀏覽器中運行，也可以在 Node.js 上運行，這使得它對於各種 ML 應用程式具有難以置信的多功能性。

以下是 TensorFlow.js 令人興奮的幾個原因：

1. 即時訓練：您可以直接在瀏覽器中運行模型，提供即時互動。
2. 跨平台：相同的程式碼可以在伺服器和用戶端環境上運作。
3. 硬體加速：它使用WebGL進行GPU加速，從而加快運算速度。

讓我們看看如何開始！

1. 設定 TensorFlow.js

在深入研究程式碼之前，您需要安裝TensorFlow.js。您可以透過

瀏覽器設定

要在瀏覽器中使用 TensorFlow.js，只要在 HTML 檔案中包含以下

Node.js 設定

對於 Node.js 環境，您可以使用 npm 安裝它：

npm install @tensorflow/tfjs

2. 建構簡單的神經網路模型

讓我們建立一個簡單的神經網路來預測基本線性函數 y = 2x - 1 的輸出。我們將使用 TensorFlow.js 來建立和訓練該模型。

第 1 步：定義模型

我們先定義一個具有一個密集層的順序模型（線性堆疊）：

// Import TensorFlow.js
import * as tf from '@tensorflow/tfjs';

// Create a simple sequential model
const model = tf.sequential();

// Add a single dense layer with 1 unit (neuron)
model.add(tf.layers.dense({units: 1, inputShape: [1]}));

在這裡，我們創建了一個具有一個密集層的模型。此層有一個神經元（單位：1），並且需要一個輸入特徵（inputShape：[1]）。

第 2 步：編譯模型

接下來，我們透過指定最佳化器和損失函數來編譯模型：

// Compile the model
model.compile({
  optimizer: 'sgd',  // Stochastic Gradient Descent
  loss: 'meanSquaredError'  // Loss function for regression
});

我們使用隨機梯度下降（SGD）優化器，這對於小模型是有效的。損失函數meanSquaredError適用於像這樣的迴歸任務。

第 3 步：準備訓練數據

我們現在將為函數 y = 2x - 1 建立一些訓練資料。在 TensorFlow.js 中，資料儲存在張量（多維數組）中。以下是我們產生一些訓練資料的方法：

// Generate some synthetic data for training
const xs = tf.tensor2d([0, 1, 2, 3, 4], [5, 1]);  // Inputs (x values)
const ys = tf.tensor2d([1, 3, 5, 7, 9], [5, 1]);  // Outputs (y values)

在本例中，我們建立了一個輸入值 (0, 1, 2, 3, 4) 的張量 xs 和一個對應的輸出張量 ys，其值使用 y = 2x - 1 計算。

第 4 步：訓練模型

現在，我們可以根據我們的資料訓練模型：

// Train the model
model.fit(xs, ys, {epochs: 500}).then(() => {
  // Once training is complete, use the model to make predictions
  model.predict(tf.tensor2d([5], [1, 1])).print();  // Output will be close to 2*5 - 1 = 9
});

在這裡，我們對模型進行 500 輪訓練（訓練資料的迭代）。訓練後，我們使用模型來預測輸入值為 5 的輸出，該輸出應傳回接近 9 的值 (y = 2*5 - 1 = 9)。

3. 在瀏覽器中運行模型

要在瀏覽器中執行此模型，您需要一個包含 TensorFlow.js 程式庫和 JavaScript 程式碼的 HTML 檔案：

    
Simple Neural Network with TensorFlow.js

並且在您的 app.js 檔案中，您可以包含上面的模型建置和訓練程式碼。