从零开始：使用 Brain.js 创建你的第一个神经网络（一） ...

接待来到 brain.js 的学习之旅！

无论你是零基础的新手，照旧已经有一定编程经验的开发者，这个系列都将为你提供一个系统、全面的学习路径。我们将从最基础的概念开始，逐步深入到实际应用和高级技巧，最终让你可以或许自信地构建和练习自己的神经网络模型。
以下是我们的学习路线图：

这一系列文章从入门到进阶，涵盖了 brain.js 的焦点功能、技术细节以及实际应用场景。不仅得当初学者学习和实践，也为有一定基础的开发者提供了更多扩展和深入的思考方向。接下来，我们进入系列的第一部分：基础篇。

弁言

神经网络是机器学习中的紧张组成部分，而 brain.js 是一个易于使用的 JavaScript 库，可以帮助开发者快速搭建和练习神经网络模型。无论你是初学者照旧已有一定经验的开发者，在本篇文章中，我们将专注于快速搭建一个简单的二分类模型。通过实际代码示例，你将把握 brain.js 的基本用法并对神经网络的焦点概念有初步明白。
一、什么是 brain.js？

brain.js 是一个支持浏览器和 Node.js 环境的神经网络库，它的目标是简化神经网络的构建和练习过程。通过它，开发者无需深入明白复杂的数学公式和理论，只需编写少量代码即可完成神经网络的实现。
紧张特点

• 简单易用：提供直观的 API，得当快速开发和学习。
  
• 跨平台支持：可以在浏览器和 Node.js 环境下运行。
  
• 支持多种使命：包括分类、回归、时间序列等多种使命类型。
  
• GPU 加快：支持 GPU 计算，明显提升练习速率。
  
• 扩展性强：可以与其他库或框架联合使用。
  

应用场景

• 文本分类（如垃圾邮件检测）。
  
• 时间序列猜测（如股票价格猜测）。
  
• 图像处理（如手写数字辨认）。
  
• 推荐系统（如电影推荐）。
  

二、Brain.js 的发展历史和由来

brain.js 最早由 Heather Arthur 开发，并作为一个轻量级的 JavaScript 神经网络库发布。其焦点目标是让开发者可以或许快速上手并体验神经网络的魅力，而无需深厚的数学基础或复杂的编程经验。
紧张发展节点

• 初版发布：在 GitHub 上推出后，因其易用性迅速受到关注。
  
• GPU 加快支持：引入 gpu.js，明显提升模型练习和推理速率。
  
• 现代化迁徙：重构代码以支持 ES6+ 语法和模块化，顺应现代 JavaScript 生态。
  

设计理念
brain.js 的设计理念是让每个开发者都能轻松地探索神经网络的可能性。它通过直观的 API 和简单的实现方式，让初学者无需复杂的理论知识也能快速构建模型。
当前现状
如今，brain.js 已支持多种使命类型（如分类、回归和时间序列猜测），仍旧是学习和实行神经网络的优秀工具。
三、什么是二分类模型？

二分类问题是机器学习中最常见的使命之一，指的是将数据点分类为两种种别中的一种。例如：

• 判断一封邮件是垃圾邮件照旧正常邮件。
  
• 猜测一个患者是否有某种疾病。
  

为了更好地明白二分类问题，我们将以经典的 XOR 问题 为例：
对于输入 [0, 0]、[0, 1]、[1, 0] 和 [1, 1]，输出的目标分别是 0、1、1 和 0。这是一个非线性分类问题，适互助为简单神经网络的入门案例。
四、项目初始化

在正式开始之前，我们必要创建并初始化一个 Node.js 项目。
4.1 创建项目目次
首先，创建一个新的项目目次并进入该目次：

1. mkdir brainjs-study-demo
2. cd brainjs-study-demo

复制代码

4.2 初始化项目
使用 npm 初始化项目，天生 package.json 文件：

1. npm init -y

复制代码

  -y 参数会主动使用默认配置天生 package.json 文件。如果你想手动配置，可以去掉 -y 参数。
  此时，项目目次中会天生一个 package.json 文件，记载了项目的基本信息和依赖项。
五、安装 brain.js

brain.js 是我们构建神经网络的焦点库。
5.1 安装 brain.js
在项目目次中安装 brain.js：推荐 Node 版本为 v14.x

1. npm install brain.js

复制代码

安装完成后， brain.js 会被添加到 package.json 的 dependencies 中。
5.2 安装 gpu.js（可选）
brain.js 依赖 gpu.js 来提升计算性能，但不会主动安装。如果你希望加快模型练习大概项目无法运行的环境，可以运行以下命令安装 gpu.js：

1. npm install gpu.js

复制代码

如果安装 gpu.js 失败，可能是因为缺少系统依赖。请根据系统环境安装必要的构建工具。
Windows 平台

• 安装 Python （建议使用 Python 3.x）。
  
• 安装 Visual Studio Build Tools，确保选择以下工作负载：
  
  
  
  • Node.js 开发工作负载
    
  • C++ 构建工具工作负载（如果必要）
    
  
  

六、编写第一个神经网络

6.1 创建 JavaScript 文件
在项目目次中创建一个新的 JavaScript 文件，例如 index.js。
6.2 编写代码
打开 index.js 文件，添加以下代码：

1. // 引入 brain.js
2. const brain = require('brain.js');
3. // 创建神经网络
4. const net = new brain.NeuralNetwork();
5. // 定义训练数据（XOR 问题）
6. const trainingData = [
7.   { input: [0, 0], output: [0] },
8.   { input: [0, 1], output: [1] }
9. ,
10.   { input: [1, 0], output: [1] },
11.   { input: [1, 1], output: [0] }
12. ];
13. // 训练神经网络
14. net.train(trainingData);
15. // 测试神经网络
16. const output = net.run([1, 0]);  // 输入 [1, 0]，期望输出接近 [1]
17. console.log(output);  // 输出类似 [0.9339389204978943]

复制代码

6.3 参数解释
NeuralNetwork：brain.NeuralNetwork 是 brain.js 提供的焦点类，用于创建前馈神经网络。默认环境下，网络布局为单隐藏层，节点数根据输入主动调整。
练习数据：input 是输入特性，output 是期望结果。XOR 问题的输入和输出设计表现了二分类模型的目标。
七、练习数据的设计与优化

练习数据是神经网络学习的基础，其设计直接影响模型的表现。
7.1 数据格式
在 brain.js 中，练习数据由 input 和 output 组成：

• input 是一个数组，表示输入特性。
  
• output 是一个数组，表示期望输出。
  

例如：

1. { input: [0, 1], output: [1] }

复制代码

表示当输入 [0, 1] 时，期望输出为 [1]。
7.2 数据归一化
为了提高练习效率，建议将输入数据归一化到 [0, 1] 范围。例如，若原始数据为 [0, 100]，可以通过以下方式归一化：

1. const normalize = (value, max) => value / max;
2. const input = [normalize(50, 100), normalize(75, 100)];

复制代码

八、保存和加载模型

为了避免每次运行代码都重新练习，可以将练习好的模型保存为 JSON 文件。
8.1 保存模型
在练习完成后，使用以下代码保存模型：

1. const fs = require('fs');
2. // 将模型保存为 JSON 文件
3. const model = net.toJSON();
4. fs.writeFileSync('model.json', JSON.stringify(model));

复制代码

8.2 加载模型

1. const modelData = JSON.parse(fs.readFileSync('model.json'));
2. net.fromJSON(modelData);

复制代码

九、扩展与优化

9.1 增长练习数据
扩展练习数据可以提高模型的正确性。例如：

1. const extendedTrainingData = [  { input: [0, 0], output: [0] },  { input: [0, 1], output: [1] }
2. ,  { input: [1, 0], output: [1] },  { input: [1, 1], output: [0] },  { input: [0.5, 0.5], output: [0] }];net.train(extendedTrainingData);

复制代码

9.2 使用配置参数优化练习
brain.js 提供了多种练习参数：

• iterations：神经网络练习的最大循环次数。
  
• learningRate：控制参数更新的幅度，范围一般为 0.1-0.5。
  
• errorThresh：答应的最大毛病，默认值是 0.005（即 0.5% 的毛病）。
  

例如：

1. net.train(trainingData, {
2.   iterations: 2000, // 训练迭代次数
3.   learningRate: 0.5, // 学习率
4.   errorThresh: 0.01 // 允许的最大误差
5. });

复制代码

总结

通过本文，你学会了如何从零开始创建一个基于 brain.js 的神经网络，并相识了练习数据的设计与优化方法。这只是入门的第一步，未来的文章将深入探讨更多高级主题，例如 LSTM 网络、时间序列猜测、模型调优等。
如果你在学习过程中有疑问，大概有自己的想法和建议，接待在批评区留言。各人一起讨论和互换！

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。