Ежегодно наблюдается тенденция увеличения скорости машинного обучения и удешевления технологии. До сих пор нет предпосылок для изменения состояния в этой сфере. Несмотря на традиционное использование для разработки ИИ, нейронные сети неплохо работают на большинстве языков, не исключение и .
Практические все библиотеки для машинного обучения на JS созданы недавно и продолжают активно развиваться. Хоть они и нуждаются в развитии, библиотеки уже готовы для использования и тестирования. В рамках заметки мы расскажем о части библиотек на JS и предложим ознакомиться с парой хороших примеров их использования для AI.
Brain
является библиотекой для простого и быстрого построения нейтронной сети. В будущем с её помощью можно осуществлять обучение ИИ посредством использования входных и выходных данных.
Из-за большого потребления ресурсов, библиотеку целесообразно запускать на , но никто не запрещает загрузить CDN-версию прямо на веб-страницу. На сайте представлена небольшая демоверсия, которая научилась разливать контрастность цвета.
Deep playground
отлично подходит для образования. С помощью библиотеки, можно «прощупать почву», чтобы ознакомиться со всей сферой ИИ и поиграться с нейронными сетями. Приложение обладает доступным для понимания и приятным видом интерфейса, на котором легко мониторить входные данные, число нейронов, алгоритм обработки и т. п. Все перечисленные данные отображаются в конце действия.
Дополнительно приложение имеет ряд полезных характеристик: OpenSource-код, используется особая библиотека для машинного обучения, разработанная на TypeScript. Важным преимуществом является наличие хорошей документации.
Этот проектом содержит порядка 800 строк кода. Способствует созданию библиотек для машинного обучения и предлагает это сделать в форме игры.
После ознакомления с проектом, пользователь научится виртуозно играть в Flappy Bird. В основе библиотеки используется ИИ под названием .
За основу построения алгоритмов используется нервная система живых существ, которая автоматически обучается, учитывая и успех, и неудачи действий. Достаточно легко продемонстрированы возможности проекта в демонстрационном примере, доступном на странице index.html в каталоге с приложением.
Synaptic
В Synaptic содержится код и библиотека для браузера, не зависящая от архитектуры. Независимый подход предназначен для расширения возможностей разработчиков в создании разнообразных нейронных сетей.
включает пару архитектур, это способствует быстрому тестированию и моментальному сравнению нескольких алгоритмов машинного обучения. Synaptic имеет качественную документацию, много практических примеров работы и массу хороших программ для обучения. С помощью документации, новичку проще вникнуть в работу машинного обучения.
Land Lines
– это экспериментальный проект, основанный на Chromium-ядре. Его основная задача заключается в сравнении каракулей пользователей со спутниками Земли. ИИ сопоставляет каракули с названием звёзд. Все действия выполняются исключительно на стороне пользователя, никаких вызовов сервера не происходит.
Отличный пример умной реализации машинного обучения, а технология WebGL отлично работает даже на смартфонах и планшетах. Получить исходный код можно на или посмотреть исследование проекта по .
ConvNetJS
Несмотря на отсутствие активной поддержки, заслуженно считается одной из лучших библиотек для глубокого изучения JS. Изначально проект разрабатывался в Стэнфордском университете, но со временем собрал большую аудиторию на GitHub.
По мере прироста популярности увеличилось количество функции и обучающих статей, книг. Всё работает исключительно в браузере и включает одновременно несколько способов обучения. Низкоуровневый подход к обучению также отлично подойдёт опытным специалистам в нейронных сетях.
Является экспериментальным приложением для распознания объектов и подбора их названий. Полезно, что алгоритм работает с разными языками и может выдавать названия на них.
В основе проекта используются исключительно возможности веб-технологий. Здесь совмещено 2 API для машинного обучения:
- Cloud Vision от корпорации Google. Позволяет получать представление об объекте;
- Translate API – технология отвечает за перевод результатов работы на человеческий язык.
Работает по принципу обучения с последующим закреплением информации. Является фреймворком, облегчающим работы по созданию ИИ. У проекта есть существенный плюс и минус: имеет OpenSource код, но не имеет нормально документации.
Единственный момент, за который можно зацепиться – демонстрация работы автопилота в машине. Отдельные описания составных частей нейронной сети всё же присутствуют, а в остальном придётся разбираться самостоятельно. Библиотека разработана чистом JS с подключением полезных инструментов babel и webpack .
Ещё одна библиотека для настройки и обучения нейронных сетей, разработанная только на JavaScript. Она весьма просто устанавливается в , а также в браузер.
Обладает чистым API. Библиотека включает массу примеров для реализации популярных алгоритмов и ознакомления с ними.
DeepForge
комфортная среда для разработки и последующего обучения. С её помощью легче выполнять проектирование нейронных сетей. Всё работа происходит через интуитивно понятный интерфейс.
DeepForge включает разные модели обучения на удалённых машинах и поддерживает работу с GIT. Проект выполнен под Node.js, а также хорошо работает с MongoDB. Установка имеет привычный вид.