好歌分享：鈴木雅之 恋人
前言
約莫兩個月前，我利用 p5-deeplearn-js 這套工具在 Chrome extension 中玩了一下機器學習的應用 (請參閱前端也能玩 Deepleaning - 以 p5-deeplearn-js 為例)，當時雖然有去看他們的 source code，但對於底層 deeplearnjs 的部分並沒有仔細去了解，畢竟還是要對 ML 有根本的了解，才能讀得懂。
而隨著 Google 發布 Machine Learning Crash Course，再度讓我有了研究 deeplearn.js 的念頭，但萬事起頭難，一開始不能太勉強自己，所以本文就先從最簡單的 linear regression 實作開始，來熟悉一下基本操作！
照慣例先來張 Demo 成果圖：
範例是從 這篇文章 中獲得的靈感，假資料也是取自該處。
先進入假想情境！
想像一下你是一間飲料店老闆，在經濟不景氣的情況下，你需要嚴格控管你的進貨成本，因此，聰明的你開始觀察各種可能，最後發現天氣的變化與你的飲料銷售量有很大的關聯！
然而，氣象資料很好取得，但你需要的是能夠預測在哪種天氣下，你需要進多少貨，以此來控管每一次的進貨量。
也就是說，你需要一個公式！
這個公式要能夠讓你輸入一個特徵 X（也就是氣溫度數），接著透過運算後產生一個目標變數 Y（也就是飲料銷售量）。
能當到老闆，想必數學不會太差，整理一下後發現，我們只有一個自變量 X，以及因變量 Y，因此可以嘗試用一個簡單的線性函數來逼近這公式：
Y = aX + b
問題就來了，要怎麼樣找出適合的係數 a 與 b 呢？
先別急，讓我們先把資料整理一下
資料分析的第一步一定是先取得資料，身為飲料店老闆，要取得銷售資量應該不難，再上網查個氣象資訊就好，因此可以得到如下資料：
// 建構資料 （當然是假的）
const degrees = [29, 28, 34, 31, 25, 29, 32, 31, 24, 33, 25, 31, 26, 30];
const salesVolume = [77, 62, 93, 84, 59, 64, 80, 75, 58, 91, 51, 73, 65, 84];資料是成對關係，氣溫 29 度，冰紅茶銷售量 77。
接著我們可以先利用 HighCharts 把資料先視覺化出來，你就會很有感覺我們該做什麼。
See the Pen DeeplearnJS-simple-linear-dataset by Arvin (@arvin0731) on CodePen.
嗯...看起來這些點似乎真的可以用一個線性函數去逼近呢！而且更棒的是，透過這些過往資料，應該是有助於我們找出公式中最棒的係數的！
接著就該 Linear regression 就登場了！
在機器學習的領域中，像我們這樣依靠大量資料來輔助學習的，稱作監督式學習。
而當公式中的目標變數（也就是 y）是連續型（continuous）的變數時，這樣的學習問題會稱為回歸（regression）問題。
那一個線性函數的回歸問題，就是線性迴歸 (linear regression) 了。
關於 Linear regression 的一些數學公式推導等等，我推薦大家閱讀這篇文章：史丹佛大學機器學習（Machine Learning）上課筆記（一）
裡面解釋得淺顯易懂，絕對比我解釋得還好...
就算不清楚線性迴歸，光看公式應該也知道，我們可以透過大量的迭代測試，不斷輸入 X，然後調整 a 與 b 來求出 Y，然後找出在所有 input 中，能得到與所有真實資料差距最小的一對係數即可。
用線性回歸的概念來解釋，就是我們需要有一個 cost function（或稱 loss function），藉由不同係數的輸入，從公式得出的值來與實際資料比較，想辦法找出結果差距最小的係數。
一般來說，cost function 會用 LMS（least mean squares）演算法來處理，可以先猜一個初始係數值，然後藉由 LMS 來不斷更新係數，直到找出最小差距的情況。
但這是單一 training sample 的狀況，當有多個 training sample 時，通用的演算法稱為 stochastic gradient descent (sgd)，概念雷同，就像是根據每一筆 training sample 去跑一次 LMS。
一樣，還是請大家去閱讀 史丹佛大學機器學習（Machine Learning）上課筆記（一），獲得更正確的概念。畢竟這次主要是練習如何用 deeplearnjs 來實作。
解法都有了，那就來看看到底怎麼用 Javascript 實作吧！
要使用 deeplearn.js，只需要從 cdn 載入即可：
<script src="https://unpkg.com/deeplearn@latest"></script>接著，我們要先初始化資料：
// 建構資料
const degrees = [29, 28, 34, 31, 25, 29, 32, 31, 24, 33, 25, 31, 26, 30];
const salesVolume = [77, 62, 93, 84, 59, 64, 80, 75, 58, 91, 51, 73, 65, 84];
// 運用 Deeplearn.js 結構化資料
// dl 就是 deeplearn.js 的 global 變數
const degrees_data = dl.tensor1d(degrees);
const salesVolume_data = dl.tensor1d(salesVolume);在 deeplearn.js 中，tensor 是最核心的資料結構，用來表示向量、矩陣或是多維度的資料。
有許多 utility function 可以輔助創建 tensor 資料結構，像是這邊用的是 tensor1d，也就是 1D (1-dimension) 的 tensor。
一個 tensor 其實包含三個成分，也是創建 tensor 時可以傳入的參數：
- values (TypedArray|Array): tensor 的值。可以是 nested array 或 flat array 的結構。
- shape（number[]）:基本上就是該 tensor 的維度。若創建 tensor 時沒有指定維度，就會繼承傳入的 values 維度。也可以像這邊的範例一樣直接使用
tensor${1|2|3|4}d來創建 - dtype（float32'|'int32'|'bool）：值的型別，當然是 optional。
初始化好 deeplearn.js 的資料結構後，接著定義我們要 training 的係數，這邊取為 aw 與 ba：
// 要 train 的參數 aw, ba
const aw = dl.variable(dl.scalar(Math.random()));
const ba = dl.variable(dl.scalar(Math.random()));dl.variable(initialValue, trainable?, name?, dtype?) 用來創建 training 過程中需要的變數，也可透過參數指定該變數能否在 training 過程中被修改（trainable），預設是 true。
其中 initialValue 可以是一個 Tensor，也可以像我們這邊一樣，傳入 dl.scalar。
dl.scalar 是維度為 0 的 tensor，基本上 0 維就是一個點，由於我們只需要亂數產生一個初值給 aw 與 ba，因此用 dl.scalar 即可。
再來，我們定義目標函數與 loss function
// 定義目標函數 與 loss function （最一般的 mean square）
// f = aw * X + ba
const f = x => aw.mul(x).add(ba);
const loss = (pred, label) => pred.sub(label).square().mean();在 deeplearn.js 中，函數的建構蠻直覺的，y = a * x + b 可以直接寫成 y = x => a.mul(x).add(b)
loss function 則是接收兩個參數的函式，pred 就是 training data 中的自變因 x 透過目標函數 f，計算出的值，而 label 是 training data 中的答案 y。
然後，定義我們的 Optimizer，也就是用來最佳化 loss function 結果的演算法，這邊採用 stochastic gradient descent (sgd)：
// 採用 stochastic gradient descent 來做最佳化
// learning rate 這邊不能設太大
const learningRate = 0.0005;
const optimizer = dl.train.sgd(learningRate);dl.train.sgd 是 deeplearn.js 內建的 sgd 演算法模型，接受一個 leanring rate 參數。在每一次的迭代中，係數都會不斷被更新，以找出最佳的結果，而這個 learningRate 參數是用來控制每一次的更新幅度。因此不能夠設得太大，也不能設得太小。
利用定義好的目標函數 f、loss function 與 optimizer，我們可以就開始 training modal 了！
// training
for (let i = 0; i < 30; i++) {
const cost = optimizer.minimize(() => loss(f(degrees_data), salesVolume_data), true, [aw, ba])
console.log('cost');
cost.print();
console.log('aw');
aw.print();
console.log('ba');
ba.print();
}最核心的就是這一行：
const cost = optimizer.minimize(() => loss(f(degrees_data), salesVolume_data), true, [aw, ba])
使用 optimizer 的方式如上所示，輸入執行 loss function 的函示，並可額外輸入兩個參數，分別控制 1. 是否回傳最後的 cost; 2. 限制只更新哪些變數。
我們簡單 for loop 30 次（因為資料量很少...你要 train 一百次也行，但這邊結果不會有什麼差別）
過程中若想要 debug，可以像我一樣用 tensor.print() 的方式把 traning 過程的係數變化 log 出來。
最後，當 training 結束後，透過 dataSync() 將最終係數從 Tensor 中讀出：
// 利用 dataSync() 取出 training 後得到的係數
const awPredict = aw.dataSync();
const baPredict = ba.dataSync();很容易看出 dataSync() 是 Synchronously 的，會 block Browser 的 UI thread，直到 data 被你讀出。另外還有個 Asynchronously 的 data() method，會回傳 promise，當讀取結束時再呼叫 resolves。
在我們的範例中，因為接下來要用 Highcharts 畫圖，我們需要 block 著 UI thread 等資料讀出後再繼續，因此採用 dataSync()。
取出係數的值後，就能夠畫圖啦～
根據算出的係數，畫出線條頭尾兩點：
const dataLine = [
[22, parseFloat(22 * awPredict + baPredict)],
[35, parseFloat(35 * awPredict + baPredict)]
]然後用 HighCharts 繪圖：
const options = {
title: {
text: 'deeplearn.js 最高溫與紅茶銷售量'
},
xAxis: {
title: {
text: '氣溫'
},
min: 20,
max: 40
},
yAxis: {
title: {
text: '銷售量'
},
min: 40,
max: 100
},
series: [
{
type: 'line',
name: 'predict line',
data: dataLine
},
{
type: 'scatter',
name: 'dataset',
marker: {
symbol: 'cross',
radius: 4
},
data: dataset
}
]
}
// 繪製圖表
const chart = Highcharts.chart('app', options);最終成果
See the Pen DeeplearnJS-simple-linear by Arvin (@arvin0731) on CodePen.
結論
初次使用 deeplearn.js 其實主要門檻還是在於對 Machine Learning 的了解不夠，我有稍微比對一下用 python 與 R 的做法，其實都很雷同，包含資料向量的概念都是，加上很多演算法在這些語言的 library 中都有內建，相信對 ML 與 DL 有深入了解的人來學習 deeplearn.js 會更得心應手。deeplearn.js 畢竟有 Google 支持，也支援 TensorFlow 的 modal，還是很值得投資學習的，想想未來能用別人的 browser 來 training 你的 modal 有多好啊！喔不，是想想未來 Web 能因此有更多的發展潛力，多好呀！