? ? ? ? 機器學習中的訓練集由輸入數(shù)據(jù)點和輸出數(shù)據(jù)點（標簽）組成。它被用來訓練為訓練集（例如測試集）之外的新輸入數(shù)據(jù)點預(yù)測輸出的算法。在訓練階段，由神經(jīng)網(wǎng)絡(luò)訓練的算法調(diào)整其權(quán)重以預(yù)測輸入數(shù)據(jù)點的給定標簽。總之，已訓練算法是一個以數(shù)據(jù)點作為輸入并近似輸出標簽的函數(shù)。
? ? ? ?該算法經(jīng)過神經(jīng)網(wǎng)絡(luò)的訓練后，可以為不屬于訓練集的新背景顏色輸出字體顏色。因此，稍后你將使用測試集來驗證訓練算法的準確率。由于我們正在處理顏色，因此為神經(jīng)網(wǎng)絡(luò)生成輸入顏色的樣本數(shù)據(jù)集并不困難。

function generateRandomRgbColors(m) {
const rawInputs = [];
for (let i = 0; i < m; i++) {
rawInputs.push(generateRandomRgbColor());
}
return rawInputs;
}
function generateRandomRgbColor() {
return [
randomIntFromInterval(0, 255),
randomIntFromInterval(0, 255),
randomIntFromInterval(0, 255),
];
}
function randomIntFromInterval(min, max) {
return Math.floor(Math.random() * (max - min + 1) + min);
}

generateRandomRgbColors() 函數(shù)創(chuàng)建給定大小為 m 的部分數(shù)據(jù)集。數(shù)據(jù)集中的數(shù)據(jù)點是 RGB 顏色空間中的顏色。每種顏色在矩陣中被表征為一行，而每一列是顏色的特征。特征是 RGB 空間中的 R、G、B 編碼值。數(shù)據(jù)集還沒有任何標簽，所以訓練集并不完整，因為它只有輸入值而沒有輸出值。

由于基于已知顏色生成可使用字體顏色的編程方法是已知的，因此可以使用調(diào)整后的功能版本以生成訓練集（以及稍后的測試集）的標簽。這些標簽針對二分類問題進行了調(diào)整，并在 RGB 空間中隱含地反映了黑白的顏色。因此，對于黑色，標簽是 [0,1]；對于白色，標簽是 [1,0]。

function getAccessibleColor(rgb) {
let [ r, g, b ] = rgb;
let color = [r / 255, g / 255, b / 255];
let c = color.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, 1 ] // black
: [ 1, 0 ]; // white
}

現(xiàn)在你已經(jīng)準備好一切用于生成（背景）顏色的隨機數(shù)據(jù)集（訓練集、測試集），它被分類為黑色或白色（字體）顏色。

function generateColorSet(m) {
const rawInputs = generateRandomRgbColors(m);
const rawTargets = rawInputs.map(getAccessibleColor);
return { rawInputs, rawTargets };
}

使神經(jīng)網(wǎng)絡(luò)中底層算法更好的另一步操作是特征縮放。在特征縮放的簡化版本中，你希望 RGB 通道的值在 0 和 1 之間。由于你知道最大值，因此可以簡單地推導出每個顏色通道的歸一化值。

function normalizeColor(rgb) {
return rgb.map(v => v / 255);
}

你可以把這個功能放在你的神經(jīng)網(wǎng)絡(luò)模型中，或者作為單獨的效用函數(shù)。下一步我將把它放在神經(jīng)網(wǎng)絡(luò)模型中。

JavaScript 神經(jīng)網(wǎng)絡(luò)模型的設(shè)置階段

現(xiàn)在你可以使用 JavaScript 實現(xiàn)一個神經(jīng)網(wǎng)絡(luò)了。在開始之前，你需要先安裝 deeplearn.js 庫：一個適合 JavaScript 神經(jīng)網(wǎng)絡(luò)的框架。官方宣傳中說：「deeplearn.js 是一個開源庫，將高效的機器學習構(gòu)造塊帶到 web 中，允許在瀏覽器中訓練神經(jīng)網(wǎng)絡(luò)或在推斷模式下運行預(yù)訓練模型。」本文，你將訓練自己的模型，然后在推斷模式中運行該模型。使用該庫有兩個主要優(yōu)勢：

首先，它使用本地電腦的 GPU 加速機器學習算法中的向量計算。這些機器學習計算與圖解計算類似，因此使用 GPU 的計算比使用 CPU 更加高效。
其次，deeplearn.js 的結(jié)構(gòu)與流行的 TensorFlow 庫類似（TensorFlow 庫也是谷歌開發(fā)的，不過它使用的是 Python 語言）。因此如果你想在使用 Python 的機器學習中實現(xiàn)飛躍，那么 deeplearn.js 可提供通向 JavaScript 各領(lǐng)域的捷徑。

現(xiàn)在回到你的項目。如果你想用 npm 來設(shè)置，那么你只需要在命令行中安裝 deeplearn.js。也可以查看 deeplearn.js 項目的官方安裝說明文檔。

npm install deeplearn