deeplearn.js 最初由 Google Brain PAIR 开发，是一款基于硬件加速的开源 JavaScript 库，可被用在机器智能领域。该库将高性能的机器学习构建模块引入到 web 开发领域。其目标是“使 AI 更注重人性”。

deeplearn.js 目前已开源，地址是：

https://github.com/PAIR-code/deeplearnjs

通过 deeplearn.js，可以实现在浏览器中训练神经网络模型，也可在推理阶段运行预训练模型。

deeplearn.js 以 TypeScript 作为首选语言，提供了可用于构建可微数据流图的 API，以及一系列可以直接使用的数学函数。该库有两个 API 模型，一个是即时执行模型（可认为是 NumPy），另一个是基于 TensorFlow 的 API 镜像的延时执行模型。该库还支持从 TensorFlow 检查点将权重转储为可以导入 deeplearn.js 的格式，但开发者必须在 deeplearn.js 中重新创建模型，并使用该检查点的权重。

deeplearn.js 正计划建立一种可以直接从 TensorFlow 将模型端口从 GraphDef 自动传输到 deeplearn.js 的方法。同时该库使用 OES_texture_float 扩展以定位支持 WebGL 1.0 和 WebGL 2.0 的设备，对于不支持 WebGL 的设备，deeplearn.js 还提出了 CPU 回退机制。

在 deeplearn.js 中，NDArray 是其核心数据单元，包括一系列浮点值，可以用于将其构建为任意维数的数组。NDArray 也拥有一个用来定义形状的 shape 属性。例如一个 3*2 的矩阵用法如下：

const shape = [3,2]; // 3 行，2 列
const matrix = Array2D.new(shape,[1.0,2.0,4.0,6.0,3.0,2.0]);

该库还提供了一个 NDArrayMath 基类，定义了一系列在 NDArray 上运行的数学函数，为模型内数据操作提供方便。在 deeplearn.js 中，可微数据流图和 TensorFlow 一样，使用的是延迟执行模型。通过 FeedEntrys 提供的输入 NDArray 构建一个计算图，然后再在上面进行训练或推断。其中 FeedEntry 对象和 TensorFlow 中的 feed_dict 类似，用来提供运行所需的数据。

在当前深度学习的浪潮下，deeplearn.js 为浏览器构建了强大的交互式机器学习工具，几乎可以被用在任何领域，包括教育、模型的理解、艺术项目等。

目前在官网上推出了 4 个 Demo：

  • Model Builder：可以不用编程在浏览器上构建神经网络。
  • Webcam Imagenet：在浏览器上运行的 Squeezenet，可使用多种模式识别图像中的物体。
  • NNArt：一个动画显示的 CPPN，可调节颜色等多种参数。
  • Benchmarks：针对该库的一个性能测试。

  Javascript越来越无所不能了，哈哈，未来是属于javascript的天下！