JS数据集生成 - JavaScript 实现神经网络应用教程

机器学习中的训练集由输入数据点和输出数据点（标签）组成。它被用来训练为训练集（例如测试集）之外的新输入数据点预测输出的算法。在训练阶段，由神经网络训练的算法调整其权重以预测输入数据点的给定标签。总之，已训练算法是一个以数据点作为输入并近似输出标签的函数。
该算法经过神经网络的训练后，可以为不属于训练集的新背景颜色输出字体颜色。因此，稍后你将使用测试集来验证训练算法的准确率。由于我们正在处理颜色，因此为神经网络生成输入颜色的样本数据集并不困难。

function generateRandomRgbColors(m) {
const rawInputs = [];
for (let i = 0; i < m; i++) {
rawInputs.push(generateRandomRgbColor());
}
return rawInputs;
}
function generateRandomRgbColor() {
return [
randomIntF romInterval(0, 255),
randomIntFromInterval(0, 255),
randomIntFromInterval(0, 255),
];
}
function randomIntFromInterval(min, max) {
return Math.floor(Math.random() * (max - min + 1) + min);
}

generateRandomRgbColors() 函数创建给定大小为 m 的部分数据集。数据集中的数据点是 RGB 颜色空间中的颜色。每种颜色在矩阵中被表征为一行，而每一列是颜色的特征。特征是 RGB 空间中的 R、G、B 编码值。数据集还没有任何标签，所以训练集并不完整，因为它只有输入值而没有输出值。

由于基于已知颜色生成可使用字体颜色的编程方法是已知的，因此可以使用调整后的功能版本以生成训练集（以及稍后的测试集）的标签。这些标签针对二分类问题进行了调整，并在 RGB 空间中隐含地反映了黑白的颜色。因此，对于黑色，标签是 [0,1]；对于白色，标签是 [1,0]。

现在你已经准备好一切用于生成（背景）颜色的随机数据集（训练集、测试集），它被分类为黑色或白色（字体）颜色。

function generateColorSet(m) {
const rawInputs = generateRandomRgbColors(m);
const rawTargets = rawInputs.map(getAccessibleColor);
return { rawInputs, rawTargets };
}

使神经网络中底层算法更好的另一步操作是特征缩放。在特征缩放的简化版本中，你希望 RGB 通道的值在 0 和 1 之间。由于你知道最大值，因此可以简单地推导出每个颜色通道的归一化值。

function normalizeColor(rgb) {
return rgb.map(v => v / 255);
}

你可以把这个功能放在你的神经网络模型中，或者作为单独的效用函数。下一步我将把它放在神经网络模型中。

JavaScript 神经网络模型的设置阶段

现在你可以使用 JavaScript 实现一个神经网络了。在开始之前，你需要先安装 deeplearn.js 库：一个适合 JavaScript 神经网络的框架。官方宣传中说：「deeplearn.js 是一个开源库，将高效的机器学习构造块带到 web 中，允许在浏览器中训练神经网络或在推断模式下运行预训练模型。」本文，你将训练自己的模型，然后在推断模式中运行该模型。使用该库有两个主要优势：

首先，它使用本地电脑的 GPU 加速机器学习算法中的向量计算。这些机器学习计算与图解计算类似，因此使用 GPU 的计算比使用 CPU 更加高效。
其次，deeplearn.js 的结构与流行的 TensorFlow 库类似（TensorFlow 库也是谷歌开发的，不过它使用的是 Python 语言）。因此如果你想在使用 Python 的机器学习中实现飞跃，那么 deeplearn.js 可提供通向 JavaScript 各领域的捷径。

现在回到你的项目。如果你想用 npm 来设置，那么你只需要在命令行中安装 deeplearn.js。也可以查看 deeplearn.js 项目的官方安装说明文档。