谈到机器学习，我们脑海首先蹦出的编程语言是什么？一定是python。其实除了python，Javascript也是不错的选择。都说现在是大前端时代，从移动开发、服务器端，甚至桌面软件开发（比如大名鼎鼎的VS Code），都有Javascript的身影。  

用Javascript写机器学习应用，当然不会从头开始手写机器学习算法和模型，通常会借助现有框架。我之前接触的都是TensorFlow.js，其实除了TFJS，还有其它的深度学习框架。下面就介绍三种常用的Javascript深度学习框架。

TensorFlow.js

Tensorflow.js是业界的大哥大，Google出品，值得信赖。其实TensorFlow.js发布得很晚，到2017年中期才公开发布第一个beta版本，其前身是Deeplearn.js。不过TensorFlow.js是第一个在浏览器中提供硬件加速的开源深度学习框架，它利用了WebGL进行加速。

在浏览器中的机器学习，用户可以直接在浏览器中提供数据，进行实时训练学习，而不用额外安装软件。TensorFlow.js也无需用单独的深度学习框架构建离线的模型，随着浏览器对硬件能力的支持度越来越高（比如摄像头、麦克风等），我们可以在浏览器中运行越来越丰富的机器学习应用。

WebDNN

WebDNN是由东京大学的机器智能实验室开发的，虽然它没有TensorFlow.js那么流行，但是它支持更多种类的深度学习框架：

• TensorFlow

• Keras

• PyTorch

• Chainer

• Caffe

如果你已经有了这些深度学习框架的模型，你可以用WebDNN很容易地导入这些模型。WebDNN有一个优化器管道，它看似一个编译器，将一个训练模型转换为一个WebDNN的中间表示的格式。在WebDNN优化中间表达之后，优化过的模型生成一个核操作图

WebDNN也能通过WebGL进行硬件加速，如果你的浏览器支持WebAssembly和WebGPU，还可以通过这些api加速。

TensorFlow.js和WebDNN的主要不同在于WebDNN只支持任务的推断阶段，而不能用在训练阶段。因此除了WebDNN，你还要熟悉前面介绍的几种深度学习框架之一。我们可以将WebDNN看做一个优化器，它能让预训练的模型在浏览器上运行得更快。

你可以使用pip安装WebDNN：

$ pip install webdnn

Keras.js

Keras.js只支持Keras生成的模型，但因为Keras本身支持多种深度学习框架后端，所以Keras.js间接支持Keras支持的深度学习框架后端，比如Tensorflow、CNTK、MXNet等。

像TensorFlow.js一样，Keras.js实现各种核函数。Keras.js同样不支持模型训练，所以你需要为Keras.js准备预训练模型来创建应用。

Keras.js可以运行在独立于主线程外的WebWorker，这可以避免阻塞渲染UI，对于提升良好的用户体验至关重要。

Keras.js提供很多使用的例子，你可以访问：https://github.com/transcranial/keras-js.git 了解更多。

小结

三种Javascript深度模型框架之中，TensorFlow.js无疑是最流行的框架，无论是从功能、社区支持还是活跃度上，都碾压其它两个。但其它两个也各有特点，支持的后端框架更多，支持更多的模型类型，更容易和已有的资源整合。重要的是哪种工具适合哪类问题，深度学习框架还很年轻、不成熟，希望在看完这篇文章之后，可以帮助你更好的选择深度学习框架。

链接: https://fly63.com/article/detial/6516