js实现“大模型”之明星识别（一），训练和识别PS:点赞，评论，收藏，分享防止迷路有人的地方就有江湖，有编程的地方就

PS:点赞，评论，收藏，分享防止迷路

有人的地方就有江湖，有编程的地方就有js。大模型不仅仅是服务端的事情，今天我们使用js 大模型库来实现通过描述明星的特征识别具体是哪个明星，坐稳发车

一 Brain.js 训练神经网络的 JavaScript 库

Brain.js 是一个用于训练神经网络的 JavaScript 库，可以在浏览器或 Node.js 环境中运行。它主要被用来进行机器学习任务，如分类、回归分析等。以下是 Brain.js 的几个关键特点：

易于使用：Brain.js 提供了简单易用的 API，使得开发者即使没有深厚的机器学习背景也能快速上手。
灵活性：支持自定义网络结构，可以根据具体需求调整网络层和参数。
性能优化：利用 WebGL 进行硬件加速，提高训练速度。
社区活跃：拥有活跃的开源社区，提供了丰富的示例和文档。

安装

在 Node.js 环境中安装 Brain.js 可以通过 npm 来完成：

npm install brain.js

基本使用示例

以下是一个简单的示例，展示如何使用 Brain.js 训练一个基本的神经网络模型：

const brain = require('brain.js');

// 创建一个新的神经网络实例
const net = new brain.NeuralNetwork();

// 准备训练数据
const trainingData = [
  { input: [0, 0], output: [0] },
  { input: [0, 1], output: [1] },
  { input: [1, 0], output: [1] },
  { input: [1, 1], output: [0] }
];

// 训练神经网络
net.train(trainingData);

// 使用训练好的模型进行预测
const output = net.run([1, 0]);  // 输出接近 1
console.log(output);

常见应用场景

图像识别：虽然 Brain.js 主要适用于较小规模的数据集，但它也可以用于简单的图像识别任务。
文本分类：可以用于情感分析、垃圾邮件过滤等文本分类任务。
时间序列预测：可用于股票价格预测、天气预报等时间序列数据分析。

二实战

步骤

定义明星的名字和对应的标签。
将文本描述转换为数值特征。
准备训练数据。
训练神经网络。
使用训练好的模型进行预测。
将预测结果转换回明星的名字。

const brain = require("brain.js");

// 定义明星的名字和对应的标签
const stars = ["刘德华", "张学友", "郭富城"];

// 创建一个新的神经网络实例，禁用 GPU 加速
const net = new brain.NeuralNetwork({
  gpu: false, //是否开启gpu加速
});

// 定义特征词典
const featureDictionary = {
  高鼻梁: [1, 0, 0],
  大眼睛: [0, 1, 0],
  小眼睛: [0, 0, 1],
  短发: [1, 0, 0],
  长发: [0, 1, 0],
  圆脸: [0, 0, 1],
  方脸: [1, 0, 0],
  尖下巴: [0, 1, 0],
  厚嘴唇: [0, 0, 1],
  // 可以根据需要添加更多特征
};

// 将文本描述转换为数值特征
function textToFeatures(text) {
  const features = [0, 0, 0, 0, 0, 0, 0, 0]; // 初始化特征向量
  const words = text.split(" ");
  words.forEach((word) => {
    if (featureDictionary[word]) {
      featureDictionary[word].forEach((value, index) => {
        features[index] += value;
      });
    }
  });
  return features;
}

// 准备训练数据
const trainingData = [
  { input: textToFeatures("高鼻梁 大眼睛"), output: [1, 0, 0] }, // 刘德华
  { input: textToFeatures("高鼻梁 小眼睛"), output: [0, 1, 0] }, // 张学友
  { input: textToFeatures("短发 圆脸"), output: [0, 0, 1] }, // 郭富城
  { input: textToFeatures("长发 方脸"), output: [1, 0, 0] }, // 刘德华
  { input: textToFeatures("尖下巴 厚嘴唇"), output: [0, 1, 0] }, // 张学友
  { input: textToFeatures("高鼻梁 短发"), output: [0, 0, 1] }, // 郭富城
];

net.train(trainingData, {
  errorThresh: 0.005, // error threshold to reach 训练过程中允许的最大误差阈值。当误差低于这个值时，训练停止。
  iterations: 20000, // maximum training iterations 最大训练迭代次数。即使误差没有达到 `errorThresh`，也会在达到最大迭代次数时停止训练。
  log: true, // console.log() progress periodically  是否在控制台中记录训练进度。
  logPeriod: 10, // number of iterations between logging 记录训练进度的频率，单位为迭代次数。例如，每 10 次迭代记录一次。
  learningRate: 0.3, // learning rate 学习率，控制权重更新的速度。较大的学习率可能导致训练不稳定，较小的学习率可能导致训练缓慢。
});

// 使用训练好的模型进行预测
const inputText = "高鼻梁 大眼睛";
const inputFeatures = textToFeatures(inputText);
const output = net.run(inputFeatures);
console.log(`预测特征输出: ${output}`);

// 将预测结果转换回明星的名字
const predictedStarIndex = output.indexOf(Math.max(...output));
const predictedStarName = stars[predictedStarIndex];

console.log(`预测的明星是: ${predictedStarName}`);

运行后数据

node .\brainjs\index.js

三参数解释

net.train() 方法用于训练神经网络，它接受两个参数：训练数据和可选的训练选项。

参数详细解释：

trainingData:

类型: Array
描述: 包含训练样本的数组。每个样本是一个对象，包含 input 和 output 属性。

示例:

const trainingData = [
  { input: [0, 0], output: [0] },
  { input: [0, 1], output: [1] },
  { input: [1, 0], output: [1] },
  { input: [1, 1], output: [0] }
];

options (可选):
- 类型: Object
- 描述: 一个包含训练选项的对象。这些选项可以控制训练过程的行为。
- 常用选项:
  - errorThresh:
    - 类型: Number
    - 默认值: 0.005
    - 描述: 训练过程中允许的最大误差阈值。当误差低于这个值时，训练停止。
  - iterations:
    - 类型: Number
    - 默认值: 20000
    - 描述: 最大训练迭代次数。即使误差没有达到 errorThresh，也会在达到最大迭代次数时停止训练。
  - log:
    - 类型: Boolean
    - 默认值: false
    - 描述: 是否在控制台中记录训练进度。
  - logPeriod:
    - 类型: Number
    - 默认值: 10
    - 描述: 记录训练进度的频率，单位为迭代次数。例如，每 10 次迭代记录一次。
  - learningRate:
    - 类型: Number
    - 默认值: 0.3
    - 描述: 学习率，控制权重更新的速度。较大的学习率可能导致训练不稳定，较小的学习率可能导致训练缓慢。
  - momentum:
    - 类型: Number
    - 默认值: 0.1
    - 描述: 动量项，有助于加速梯度下降过程，特别是在平坦区域。
  - callback:
    - 类型: Function
    - 默认值: null
    - 描述: 在每次迭代后调用的回调函数。可以用于自定义日志记录或其他操作。
  - callbackPeriod:
    - 类型: Number
    - 默认值: 10
    - 描述: 调用回调函数的频率，单位为迭代次数。
  - timeout:
    - 类型: Number
    - 默认值: Infinity
    - 描述: 训练超时时间，单位为毫秒。如果训练时间超过这个值，训练将被终止。

示例

代码中，net.train() 的调用如下：

net.train(trainingData, {
  errorThresh: 0.005, // 错误阈值
  iterations: 20000, // 最大训练迭代次数
  log: true, // 控制台记录训练进度
  logPeriod: 10, // 每 10 次迭代记录一次
  learningRate: 0.3, // 学习率
});

解释

errorThresh: 0.005: 当训练误差低于 0.005 时，训练停止。
iterations: 20000: 最多进行 20000 次迭代，即使误差没有达到 0.005。
log: true: 在控制台中记录训练进度。
logPeriod: 10: 每 10 次迭代记录一次训练进度。
learningRate: 0.3: 学习率为 0.3，控制权重更新的速度。

希望这篇文章对你有帮助。如果有其他问题或需要进一步的说明，评论区交流！

PS:摸鱼创作不易学会了记得，点赞，评论，收藏，分享

js实现“大模型”之明星识别（一），训练和识别

一 Brain.js 训练神经网络的 JavaScript 库

安装

基本使用示例

二 实战

三 参数解释

示例

解释

二实战

三参数解释