三年前的库
一些人可能听说过一个三年前的库（github.com/yorkie/tens…），没错，这就是几年前被我半途而废的项目，而在今天，我重新在 NPM 上发布了2.0，并且我决定重新开始向这个项目贡献代码。
三年前我放弃 tensorflow-nodejs 时，是因为感受到 Python 在机器学习生态的成熟，要从零、或者说是 Tensorflow C API 开始，做到当时 Python 生态那样，中长期来说都是不可能的，所以当时我就放弃了，于是后来 tensorflow.js 就出来了，但其实从一开始 tensorflow.js 就是被用于浏览器环境而非 Node.js 环境。
几个月前，为了 Pipcook 项目，我们一起开发了 @pipcook/boa，它可以让开发者轻松地在 Node.js 环境中调用 Python 函数，我们在 Pipcook 中就是通过它来接入机器学习生态的。
直接使用 Boa，我想对于 Node.js 生态的其他开发者来说，仍然有不低的门槛，他们需要去阅读 Python 的文档，要去理解 Python 与 JavaScript 语法和运行时上的差异。
在 Node.js 中使用 tensorflow 的正确姿势
这就是为什么我想重新发布 tensorflow-nodejs 的原因，通过 boa 我可以减少大量之前迁移和移植 Tensorflow 的工作，同时我基于底层的 Python API，重新设计面向 Node.js 开发者的 Tensorflow API，这样对于毫无 Python 经验的开发者，也能轻松上手了，并且最大的好处是，tensorflow-nodejs 现在可以随时跟着 Python 版本去演进，而所付出的升级代价非常小。
为此，我花了30分钟左右，就写了一个简单的 Keras API 训练的例子：
const tf = require('tensorflow2');
// load mnist dataset.
const dataset = tf.keras.dataset.mnist();
// {
// train: { x: [Getter], y: [Getter] },
// test: { x: [Getter], y: [Getter] }
// }
// create model.
const model = tf.keras.models.Sequential([
tf.keras.layers.Flatten({
input_shape: [28, 28]
}),
tf.keras.layers.Dense(128, {
activation: 'relu'
}),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10)
]);
model.summary();
// compile the model.
const loss_fn = tf.keras.losses.SparseCategoricalCrossentropy({ from_logits: true });
model.compile({
optimizer: 'adam',
loss: loss_fn,
metrics: [ 'accuracy' ],
});
// train the model.
model.fit(dataset.train.x, dataset.train.y, { epochs: 5 });
// save the model
model.save('your-model.h5');
上面的代码可以在一分钟内完成，也十分简单易懂。
Yorkie 非常欢迎你一起来贡献更多的 Tensorflow API。这里是实现的代码：github.com/yorkie/tens…，实现过程也比较简单，只需要按照 设计的 API 调用对应 Python 的接口，然后在函数外层做一些参数转换即可。
最后，期待你的贡献，也许这才是 Node.js 中最正确的使用机器学习的姿势！
