我沒有構建過大量神經(jīng)網(wǎng)絡，因此我按照構建神經(jīng)網(wǎng)絡的一般實踐進行操作。在 JavaScript 中，你可以使用 JavaScript ES6 class 來推進它。該類可以通過定義神經(jīng)網(wǎng)絡特性和類方法為你的神經(jīng)網(wǎng)絡提供完美的容器。例如，你的顏色歸一化函數(shù)可以在類別中找到一個作為方法的點。

class ColorAccessibilityModel {
normalizeColor(rgb) {
return rgb.map(v => v / 255);
}
}
export default ColorAccessibilityModel;

或許那也是你的函數(shù)生成數(shù)據(jù)集的地方。在我的案例中，我僅將類別歸一化作為分類方法，讓數(shù)據(jù)集生成獨立于類別之外。你可以認為未來有不同的方法來生成數(shù)據(jù)集，不應該在神經(jīng)網(wǎng)絡模型中進行定義。不管怎樣，這只是一個實現(xiàn)細節(jié)。

訓練和推斷階段都在機器學習的涵蓋性術語會話（session）之下。你可以在神經(jīng)網(wǎng)絡類別中設置會話。首先，你可以輸入來自 deeplearn.js 的 NDArrayMathGPU 類別，幫助你以計算高效的方式在 GPU 上進行數(shù)學運算。

import {
NDArrayMathGPU,
} from 'deeplearn';
const math = new NDArrayMathGPU();
class ColorAccessibilityModel {
...
}
export default ColorAccessibilityModel;

第二，聲明分類方法類設置會話。其函數(shù)簽名使用訓練集作為參數(shù)，成為從先前實現(xiàn)的函數(shù)中生成訓練集的完美 consumer。

第三步，會話初始化空的圖。之后，圖將反映神經(jīng)網(wǎng)絡的架構。你可以隨意定義其特性。

import {
Graph,
NDArrayMathGPU,
} from 'deeplearn';
class ColorAccessibilityModel {
setupSession(trainingSet) {
const graph = new Graph();
}
..
}
export default ColorAccessibilityModel;

第四步，你用張量的形式定義圖中輸入和輸出數(shù)據(jù)點的形態(tài)。張量是具備不同維度的數(shù)組，它可以是向量、矩陣，或更高維度的矩陣。神經(jīng)網(wǎng)絡將這些張量作為輸入和輸出。在我們的案例中，有三個輸入單元（每個顏色通道有一個輸入單元）和兩個輸出單元（二分類，如黑白）。

class ColorAccessibilityModel {
inputTensor;
targetTensor;
setupSession(trainingSet) {
const graph = new Graph();
this.inputTensor = graph.placeholder('input RGB value', [3]);
this.targetTensor = graph.placeholder('output classifier', [2]);
}
...
}
export default ColorAccessibilityModel;

第五步，神經(jīng)網(wǎng)絡包含隱藏層。奇跡如何發(fā)生目前仍是黑箱?；旧希窠?jīng)網(wǎng)絡提出自己的交叉計算參數(shù)（在會話中經(jīng)過訓練）。不過，你可以隨意定義隱藏層的維度（每個單元大小、層大小）。

class ColorAccessibilityModel {
inputTensor;
targetTensor;
setupSession(trainingSet) {
const graph = new Graph();
this.inputTensor = graph.placeholder('input RGB value', [3]);
this.targetTensor = graph.placeholder('output classifier', [2]);
let connectedLayer = this.createConnectedLayer(graph, this.inputTensor, 0, 64);
connectedLayer = this.createConnectedLayer(graph, connectedLayer, 1, 32);
connectedLayer = this.createConnectedLayer(graph, connectedLayer, 2, 16);
}
createConnectedLayer(
graph,
inputLayer,
layerIndex,
units,
) {
...
}
...
}
export default ColorAccessibilityModel;

根據(jù)層的數(shù)量，你可以變更圖來擴展出更多層。創(chuàng)建連接層的分類方法需要圖、變異連接層（mutated connected layer）、新層的索引，以及單元數(shù)量。圖的層屬性可用于返回由名稱確定的新張量。

class ColorAccessibilityModel {
inputTensor;
targetTensor;
setupSession(trainingSet) {
const graph = new Graph();
this.inputTensor = graph.placeholder('input RGB value', [3]);
this.targetTensor = graph.placeholder('output classifier', [2]);
let connectedLayer = this.createConnectedLayer(graph, this.inputTensor, 0, 64);
connectedLayer = this.createConnectedLayer(graph, connectedLayer, 1, 32);
connectedLayer = this.createConnectedLayer(graph, connectedLayer, 2, 16);
}
createConnectedLayer(
graph,
inputLayer,
layerIndex,
units,
) {
return graph.layers.dense(
`fully_connected_${layerIndex}`,
inputLayer,
units
);
}
...
}
export default ColorAccessibilityModel;

神經(jīng)網(wǎng)絡中的每一個神經(jīng)元必須具備一個定義好的激活函數(shù)。它可以是 logistic 激活函數(shù)。你或許已經(jīng)從 logistic 回歸中了解到它，它成為神經(jīng)網(wǎng)絡中的 logistic 單元。在我們的案例中，神經(jīng)網(wǎng)絡默認使用修正線性單元。