当前位置：首页 > 文章列表 > 文章 > 前端 > JavaScript机器学习入门教程

JavaScript机器学习入门教程

2025-10-18 10:38:27 0浏览收藏

从现在开始，努力学习吧！本文《JavaScript机器学习入门指南》主要讲解了等等相关知识点，我会在golang学习网中持续更新相关的系列文章，欢迎大家关注并积极留言建议。下面就先一起来看一下本篇正文内容吧，希望能帮到你！

JavaScript能做机器学习。通过TensorFlow.js，可在浏览器或Node.js中构建模型，如用张量处理数据、训练线性回归模型，结合MobileNet实现图像分类，并适用于教育演示、用户行为预测等轻量级实时交互场景。

JavaScript机器学习实践

JavaScript也能做机器学习？当然可以。随着TensorFlow.js的出现，开发者可以直接在浏览器或Node.js环境中训练和部署机器学习模型。这不仅让AI更贴近前端用户，还支持实时推理、交互式可视化，非常适合教育、原型开发和轻量级应用。

1. 环境准备与TensorFlow.js入门

开始前，先引入TensorFlow.js。你可以通过CDN快速在网页中使用：

或者在Node.js项目中安装：

npm install @tensorflow/tfjs

导入后就可以创建张量（tensor）和构建模型了。比如创建一个简单的二维张量：

const x = tf.tensor2d([[1, 2], [3, 4]]); x.print();

2. 构建并训练模型：以线性回归为例

假设我们有一组数据，想拟合一条直线 y = wx + b。用TensorFlow.js可以这样实现：

准备数据：

const xs = tf.tensor1d([1, 2, 3, 4, 5]); const ys = tf.tensor1d([1.9, 4.1, 6.0, 8.2, 9.8]); // 约等于 2x

定义模型：

const model = tf.sequential(); model.add(tf.layers.dense({ units: 1, inputShape: [1] }));

编译并训练：

model.compile({ optimizer: 'sgd', loss: 'meanSquaredError' }); await model.fit(xs, ys, { epochs: 100 });

训练完成后，可以用 model.predict() 预测新值：

model.predict(tf.tensor1d([6])).print(); // 应接近12

3. 浏览器中的实时交互：图像分类示例

利用预训练模型MobileNet，可以在浏览器中实现图像分类。

加载模型：

const model = await tf.loadLayersModel('https://storage.googleapis.com/tfjs-models/tfjs/mobilenet_v1_0.25_224/model.json');

获取图像并预处理：

const img = document.getElementById('myImage'); const tensor = tf.browser.fromPixels(img) .resizeNearestNeighbor([224, 224]) .toFloat() .expandDims();

进行预测：

const prediction = await model.predict(tensor).data(); const top5 = Array.from(prediction).map((prob, i) => ({ prob, i })) .sort((a, b) => b.prob - a.prob).slice(0, 5); console.log(top5);