近日，來自德國的 Robin Wieruch 發布了一系列使用 JavaScript 構建機器學習的教程，本文將主要介紹使用 JavaScript 實現神經網絡的方法。

JavaScript 是一種流行的高級編程語言，它被世界上的絕大多數網站所使用，也被所有主流瀏覽器所支持。隨著深度學習的火熱，越來越多開發者開始探索使用 JavaScript 實現人工智能與機器學習算法。近日，來自德國的 Robin Wieruch 發布了一系列使用 JavaScript 構建機器學習的教程，本文將主要介紹使用 JavaScript 實現神經網絡的方法。

近期，原作者發表了一系列有關在 JavaScript 上實現人工智能和機器學習算法的文章，其中包括：

線性回歸和梯度下降
正規方程線性回歸
邏輯回歸和梯度下降

這些機器學習算法的實現是基于 math.js 庫的線性代數（如矩陣運算）和微分的，你可以在 GitHub 上找到所有這些算法：

如果你發現其中存在任何缺陷，歡迎對這個資源提出自己的改進，以幫助后來者。我希望不斷為 web 開發者們提供更多、更豐富的機器學習算法。

就我個人來說，我發現實現這些算法在某種程度上是一個非常具有挑戰性的任務。特別是當你需要在 JavaScript 上實現神經網絡的前向和反向傳播的時候。由于我自己也在學習神經網絡的知識，我開始尋找適用于這種工作的庫。希望在不久的將來，我們能夠輕松地在 GitHub 上找到相關的基礎實現。然而現在，以我使用 JavaScript 的閱歷，我選擇了谷歌發布的 deeplearn.js 來進行此項工作。在本文中，我將分享使用 deeplearn.js 和 JavaScript 實現神經網絡從而解決現實世界問題的方式——在 web 環境上。

首先，我強烈推薦讀者先學習一下深度學習著名學者吳恩達的《機器學習》課程。本文不會詳細解釋機器學習算法，只會展示它在 JavaScript 上的用法。另一方面，該系列課程在算法的細節和解釋上有著令人驚嘆的高質量。在寫這篇文章之前，我自己也學習了相關課程，并試圖用 JavaScript 實現來內化課程中的相關知識。

神經網絡的目的是什么？

本文實現的神經網絡需要通過選擇與背景顏色相關的適當字體顏色來改善網頁可訪問性。比如，深藍色背景中的字體應該是白色，而淺黃色背景中的字體應該是黑色。你也許會想：首先你為什么需要一個神經網絡來完成任務？通過編程的方式根據背景顏色計算可使用的字體顏色并不難，不是嗎？我很快在 Stack Overflow 找到了該問題的解決辦法，并根據我的需求做了調整，以適應 RGB 空間中的顏色。

function getAccessibleColor(rgb) {
let [ r, g, b ] = rgb;
let colors = [r / 255, g / 255, b / 255];
let c = colors.map((col) => {
if (col <= 0.03928) {
return col / 12.92;
}
return Math.pow((col + 0.055) / 1.055, 2.4);
});
let L = (0.2126 * c[0]) + (0.7152 * c[1]) + (0.0722 * c[2]);
return (L > 0.179)
? [ 0, 0, 0 ]
: [ 255, 255, 255 ];
}

當已經有一個編程的方法可以解決該問題的時候，使用神經網絡對于該現實世界問題價值并不大，沒有必要使用一個機器訓練的算法。然而，由于可通過編程解決這一問題，所以驗證神經網絡的性能也變得很簡單，這也許能夠解決我們的問題。查看該 GitHub 庫（https://github.com/javascript-machine-learning/color-accessibility-neural-network-deeplearnjs）中的動圖，了解它最終表現如何，以及本教程中你將構建什么。如果你熟悉機器學習，也許你已經注意到這個任務是一個分類問題。算法應根據輸入（背景顏色）決定二進制輸出（字體顏色：白色或黑色）。在使用神經網絡訓練算法的過程中，最終會根據輸入的背景顏色輸出正確的字體顏色。

下文將從頭開始指導你設置神經網絡的所有部分，并由你決定把文件/文件夾設置中的部分合在一起。但是你可以整合以前引用的 GitHub 庫以獲取實現細節。

JavaScript 中的數據集生成