本文利用 synaptic 庫構(gòu)建簡單的神經(jīng)網(wǎng)絡，并在瀏覽器中實現(xiàn)訓練過程。該神經(jīng)網(wǎng)絡可以和其他框架共同打造一款簡單的推薦系統(tǒng)應用。這種在瀏覽器上訓練的神經(jīng)網(wǎng)絡因為將計算任務分配到各個終端設備，所以服務器的壓力大大降低。此外，在終端上訓練的神經(jīng)網(wǎng)絡也大大保護了用戶的隱私。機器之心對本文做了簡要介紹，全部代碼請查看 Github 項目地址。

項目地址：https://github.com/markselby9/ml-in-browser

用 JS 進行機器學習?為什么不呢!

一、項目概覽

我們將構(gòu)建一個基于人工神經(jīng)網(wǎng)絡的簡單 Web 應用程序推薦系統(tǒng)。該應用程序包含兩頁，***頁顯示書籍，第二頁顯示電影。用戶可以在***頁中選擇他或她感興趣的書籍，當他點擊下一頁按鈕時，我們實際上可以在后臺預測他可能會感興趣的電影。在用戶選擇他喜歡的電影之后，我們會給用戶顯示他所選擇的結(jié)果，以及我們對他的選擇的預測。一些顯示截屏如下所示：

在***頁中選擇感興趣的書籍

在第二頁中選擇感興趣的電影

將選擇與預測結(jié)果進行比較

這個應用程序使用 Vue.js 和 ElementUI(Vue.js 的 UI 框架)構(gòu)建，并使用 synaptic 庫構(gòu)建神經(jīng)網(wǎng)絡。

有什么優(yōu)點?

該項目的優(yōu)勢可以歸結(jié)如下：

• 我們將模型訓練工作轉(zhuǎn)移到前端而不是后端，這不僅降低了服務器的壓力，同時還將一些計算任務分配給許多客戶端。由于 npm 社區(qū)提供許多神經(jīng)網(wǎng)絡相關的 Javascript 庫，這種方法是可行的。
• 我們保護用戶的隱私。用戶的數(shù)據(jù)并沒有實際被上傳到服務器，當服務器更新訓練模型時，他們的數(shù)據(jù)對于服務器是匿名的。

二、神經(jīng)網(wǎng)絡簡要介紹

首先，這里使用的神經(jīng)網(wǎng)絡是最基礎的人工神經(jīng)網(wǎng)絡，我們決定僅使用用戶的選擇作為輸入和輸出集。本節(jié)使用的圖像來自一個介紹神經(jīng)網(wǎng)絡的博客：

https://ujjwalkarn.me/2016/08/09/quick-intro-neural-networks/。

本項目涉及的概念包括：人工神經(jīng)網(wǎng)絡、神經(jīng)元、層次和訓練(反向傳播)。如果你已經(jīng)熟悉這些概念，你可以跳過此部分。人工神經(jīng)網(wǎng)絡(ANN)是一種由人腦啟發(fā)的計算模型。它由神經(jīng)元組成，神經(jīng)元是神經(jīng)網(wǎng)絡的基本單元。神經(jīng)元從其它來源接收輸入，每個輸入分配一個權(quán)重，權(quán)重根據(jù)輸入的重要程度賦予。神經(jīng)元使用激活函數(shù)作用于所有輸入的加權(quán)之和，然后給出輸出。

神經(jīng)元

單層神經(jīng)網(wǎng)絡由幾個神經(jīng)元組成，如下圖所示。神經(jīng)網(wǎng)絡可以包含或可以不包含多個隱藏層，每對相鄰層之間具有連接，這種連接通常由前面提到的權(quán)重表示。

簡單全連接神經(jīng)網(wǎng)絡的層級結(jié)構(gòu)

但是如何通過正確衡量這些權(quán)重來架構(gòu)神經(jīng)網(wǎng)絡呢?這些權(quán)重需要訓練，來達到使神經(jīng)網(wǎng)絡正常工作的要求。假設我們有一個數(shù)據(jù)表，其中包含 1000 對輸入和相應的輸出。我們首先產(chǎn)生 0 和 1 之間的隨機數(shù)給出所有權(quán)重，然后遍歷所有數(shù)據(jù)對。在每對輸入和輸出中，我們使用神經(jīng)網(wǎng)絡的激活函數(shù)給出計算結(jié)果，并將其與實際輸出進行比較。然后我們使用反向傳播算法重新訓練網(wǎng)絡并調(diào)整權(quán)重。更新反向傳播的權(quán)重可以通過隨機梯度下降來完成，這是一種獲得***權(quán)重值的方法。

這里只是簡要介紹神經(jīng)網(wǎng)絡的原理。更詳細的內(nèi)容，請參考以下鏈接：

• https://ujjwalkarn.me/2016/08/09/quick-intro-neural-networks/
• https://en.wikipedia.org/wiki/Artificial_neural_network
• https://github.com/cazala/synaptic/wiki/Neural-Networks-101

神經(jīng)網(wǎng)絡在瀏覽器中的實現(xiàn)

最近有一些在瀏覽器中實現(xiàn)神經(jīng)網(wǎng)絡的相關研究，如：

• Deeplearnjs：https://github.com/PAIR-code/deeplearnjs
• ConvnetJS：http://cs.stanford.edu/people/karpathy/convnetjs/
• synaptic.js：http://caza.la/synaptic/

我們在這里使用 synaptic.js，因為不管對于 node.js 還是瀏覽器，它都是一個無架構(gòu)的神經(jīng)網(wǎng)絡庫。我們可以通過 github 庫中的 wiki 來檢查文檔：

https://github.com/cazala/synaptic/wiki/Architect。我們計劃在瀏覽器中實現(xiàn)所有的神經(jīng)網(wǎng)絡訓練和部分激活函數(shù)，服務器(使用簡單的 node.js 和 express 搭建服務器框架)只保留包含網(wǎng)絡參數(shù)的 JSON 文件。synaptic.js 有一個方便的 API 來將神經(jīng)網(wǎng)絡解析成 JSON，并將 JSON 解析為神經(jīng)網(wǎng)絡實例。

應用程序由 Vue.js 和 ElementUI 構(gòu)建。在創(chuàng)建主應用程序組件的生命周期中，應用程序從服務器獲取模型的 JSON 文件，并基于 JSON 文件構(gòu)建神經(jīng)網(wǎng)絡實例。然后該模型展示 20 張含有電影信息的卡片，讓用戶選擇他/她感興趣的項目，用戶完成選擇并單擊下一步后，網(wǎng)絡實例將調(diào)用激活函數(shù)，并給出該用戶可能想要的書籍的預測值(基于 20 種書籍選項)。同時，應用程序還展示另外 20 張包含書籍信息的卡片，讓用戶選擇。用戶點擊提交按鈕后，應用程序會將預測的書籍列表和實際的書籍列表呈現(xiàn)給用戶，并在后臺使用新的訓練數(shù)據(jù)來反向傳播并重新訓練模型。再次訓練后，新的神經(jīng)網(wǎng)絡將被解析為 JSON 對象并發(fā)送回服務器。

下面是代碼。服務器利用簡單的 node.js 中的 I/O API 和 Express 構(gòu)建。

app.post('/getNetwork', (req, res) => { 
    if (req.body) { 
        console.log(req.body); 
        readJSONFromFile((network) => { // read local JSON file 
            res.send({ 
                code: 200, 
                network, 
            }); 
        }, (err) => { 
            console.log(err.toString()); 
        }); 
    } 
}); 
 
app.post('/setNetwork', (req, res) => { 
    if (req.body && req.body.networkJSON) { 
        console.log(req.body); 
        const { networkJSON } = req.body; 
        saveJSONToFile(networkJSON, (err) => { // write to local JSON file 
            if (err) { 
                res.send({ 
                    code: 500, 
                    err 
                }); 
            } else { 
                res.send({ 
                    code: 200, 
                }); 
            } 
        }); 
    } else { 
        res.send({ 
            code: 406, 
        }) 
    } 
}); 
app.listen(3000, () => { 
    console.log('server started'); 
}); 

以及在客戶端。在本文中我們不會介紹 DOM 的細節(jié)，我們將僅關注組件 app.vue 下的腳本部分。

created() { 
            // fetch the train model from server 
            thisthis.content_data = this.shuffle(book_data); 
            this.loading = true; 
            axios.post('http://localhost:3000/getNetwork') 
                .then((response) => { 
                    console.log(response); 
                    this.loading = false; 
                    const networkJSON = response.data.network; 
                    if (networkJSON && Object.keys(networkJSON).length > 0) { 
                        this.$message('Received neural network from server.'); 
                        localNetworkInstance = Network.fromJSON(networkJSON); 
                    } else { 
                        this.$message('Created a new network instance.'); 
                        // create a new network instance 
                        const inputLayer = new Layer(20); 
                        const hiddenLayer = new Layer(20); 
                        const outputLayer = new Layer(20); 
 
                        inputLayer.project(hiddenLayer); 
                        hiddenLayer.project(outputLayer); 
 
                        localNetworkInstance = new Network({ 
                            input: inputLayer, 
                            hidden: [hiddenLayer], 
                            output: outputLayer 
                        }); 
                    } 
                }) 
                .catch(function (error) { 
                    this.loading = false; 
                    console.log(error); 
                }); 
        }, 

以上是我們在應用程序中創(chuàng)建的生命周期(lifecycle)。它嘗試從「getNetwork」API 獲取 JSON 對象：如果它是網(wǎng)絡的可用 JSON 設置，則它將通過 synaptic 的 fromJSON 方法創(chuàng)建本地網(wǎng)絡實例;否則，它將創(chuàng)建一個新的網(wǎng)絡實例并保存到「localNetworkInstance」變量中。

當用戶在***頁單擊「下一頁」按鈕后，我們在「onClick」功能中調(diào)用激活函數(shù)，并將其作為預測結(jié)果保存在 Vue 組件的數(shù)據(jù)中。然后在用戶選擇他/她感興趣的電影之后，調(diào)用重新訓練函數(shù)。

reTrainByThisUserData() { 
    // retrain the model by this user's data 
    if (localNetworkInstance) { 
        localNetworkInstance.propagate(learningRate, this.trainingSet.output);   // propagate the network 
 
        this.$message('Neural Network retrained!'); 
 
        const successFunc = () => { 
            console.log('success'); 
            this.$message('Successfully sent the new Neural Network!'); 
        }; 
        const errorFunc = (error) => { 
            console.log('error', error); 
            this.$message(error); 
        }; 
 
        this.loading = true; 
        axios.post('http://localhost:3000/setNetwork', { 
            networkJSON: localNetworkInstance.toJSON() 
        }) 
            .then((response) => { 
                this.loading = false; 
                if (response.data && response.data.code === 200) { 
                    successFunc(); 
                } else { 
                    errorFunc(response.data); 
                } 
            }) 
            .catch(function (error) { 
                errorFunc(error) 
            }); 
    } else { 
        this.loading = false; 
        console.log('network is undefined!'); 
    } 
} 

重新訓練過程是一個反向傳播過程，利用當前用戶的選擇作為輸入和輸出數(shù)據(jù)對。用戶對電影的選擇將成為反向傳播的數(shù)據(jù)。在反向傳播后，神經(jīng)網(wǎng)絡的權(quán)重將被調(diào)整，神經(jīng)網(wǎng)絡的新數(shù)據(jù)將被上傳到服務器并被保存。理想情況下，新網(wǎng)絡應該更強大:)

進一步探索

正如很多讀者可能已經(jīng)意識到的那樣，我們可以利用這個方法做比簡單推薦系統(tǒng)更多的事情。改進此項目的一些可能方法包括：

• 更多關于瀏覽器的信息可以當作輸入，例如用戶在每張卡上花費的時間、用戶的點擊事件和滾動事件等。這些信息可以從前端得到。
• 神經(jīng)網(wǎng)絡可以具有更復雜的架構(gòu)，但注意不能過擬合。
• 前端項目應該考慮大小。目前，構(gòu)建的文件大小約為 1Mb，這在 PC 上是可以接受的，但對于移動端網(wǎng)站來說可能太大了。如果要在移動設備上使用該項目，應采取優(yōu)化措施。

有關此項目的完整代碼，請查閱參考：

https://github.com/markselby9/ml-in-browser/tree/feature/Recommendation_system_in_browser_demo。

原文：https://medium.com/@markselby9/neural-network-in-your-browser-3e6fc91709ca

【本文是51CTO專欄機構(gòu)“機器之心”的原創(chuàng)譯文，微信公眾號“機器之心( id: almosthuman2014)”】

戳這里，看該作者更多好文