在人工智能時代，不管是音箱、手機、汽車、app，自家產品沒有用上深度學習都不好意思跟別人打招呼;另外，谷歌和 Facebook 都分別在 TensorFlow 和 Caffe 2 里提出了在移動設備上運行機器學習算法的目標和相關支持，更優秀的框架和更低的計算力要求確實是移動應用開發者的福音。不過這還沒完，在瀏覽器上以 WebApp 的形式做模型推理甚至模型訓練也有重要的開發和應用需求。

　　以往大家對前端機器學習庫的關注度較低，不外乎人們認為 JavaScript 運行速度低、應用范圍窄、支持前端的庫少等幾個原因。不過許多 JS 圖形庫已經有力地證明了 JavaScript 不是低速的代名詞，帶有構建好的機器學習算法的庫也確實有一些，比如 brain.js、Synaptic、Natural、ConvNetJS、mljs 等等，分別是幾個神經網絡、自然語言處理等的庫，其中最出名、最先進的是卷積神經網絡庫 ConvNetJS，不過據了解，它已經不再積極地維護了。

　　現在谷歌也決定在機器學習前端開發領域添一把柴，昨天發布了開源了自己的前端機器學習庫 deeplear.js。

　　谷歌的 PAIR(People + AI Research)研究小組是一個以人為中心的 AI 系統研究小組，他們的研究興趣是各種人類和人工智能之間的互動可能，包括為工程師提供更便捷的開發方式，一直到用人工智能理解生活中各種各樣的事情。deeplearn.js 就是 PAIR 出力、借助了谷歌大腦團隊的一點幫助開發出來的，它除了支持構建可微的數據流圖、帶有可以直接使用的數學函數外，還使用 WebGL 來加速訓練和推理過程，從而提供了高性能的機器學習模型開發平臺，可以在瀏覽器環境下訓練模型或者用訓練好的模型做推理。PAIR 希望對機器學習感興趣的人可以把它用在教育、理解模型、藝術工作等各個領域。

　　deeplear.js 提供了兩套 API，一套是類似 NumPy 的即時執行模型，另一套是對 TensorFlow API 的重現，不過會略有延遲。它當然也提供了詳細的開發文檔和新手教程。為了方便剛接觸的人快速了解核心概念，新手教程里有專門面向初次接觸機器學習者的部分，講解了基本的計算原理;自帶的 demo 也非常簡單直觀便于操作，比如下圖就是用 deeplear.js 實現的經典卷積網絡 MNIST 識別模型，界面美觀、清晰易懂。只有加載時候花一點時間，修改模型的時候非常方便快捷。

　　在 deeplear.js 的官網上也一并介紹了這個項目的路線圖，除了下一步要支持到 WebGL 2.0 以外，SGD 之外的優化器、2D 邏輯采樣(目前需要在 3D 邏輯空間實際 2D 空間之間轉換)、增大 batch 大小、提高與 TensorFlow 之間協作的易用性、增加循環網絡類型等等修補、增添也會加入到 deeplear.js 中來。可預見的是，deeplear.js 在不久的將來會成為真正完善好用的前端機器學習庫，成為輕量的初學者和嚴肅的 web 開發者的一個好選擇。