Gehirn.js
Brain.js ist eine JavaScript-Bibliothek, die es einfach macht, neuronale Netze zu verstehen, weil sie die Komplexität der Mathematik verbirgt.
Aufbau eines neuronalen Netzes
Aufbau eines neuronalen Netzes mit Brain.js:
Beispiel:
// Create a Neural Network
const network = new brain.NeuralNetwork();
// Train the Network with 4 input objects
network.train([
{input:[0,0], output:{zero:1}},
{input:[0,1], output:{one:1}},
{input:[1,0], output:{one:1},
{input:[1,1], output:{zero:1},
]);
// What is the expected output of [1,0]?
result = network.run([1,0]);
// Display the probability for "zero" and "one"
... result["one"] + " " + result["zero"];
Beispiel erklärt:
Ein neuronales Netzwerk wird erstellt mit:new brain.NeuralNetwork()
Das Netz wird mit trainiertnetwork.train([examples])
Die Beispiele repräsentieren 4 Eingangswerte mit einem entsprechenden Ausgangswert.
Mit network.run([1,0])
fragen Sie "Was ist die wahrscheinliche Ausgabe von [1,0]?"
Die Antwort aus dem Netzwerk lautet:
- eins: 93 % (fast 1)
- Null: 6 % (nahe 0)
Wie man einen Kontrast vorhersagt
Mit CSS können Farben per RGB gesetzt werden:
Beispiel
Color | RGB |
---|---|
Black | RGB(0,0,0) |
Yellow | RGB(255,255,0) |
Red | RGB(255,0,0) |
White | RGB(255,255,255) |
Light Gray | RGB(192,192,192) |
Dark Gray | RGB(65,65,65) |
Das folgende Beispiel zeigt, wie die Dunkelheit einer Farbe vorhergesagt wird:
Beispiel:
// Create a Neural Network
const net = new brain.NeuralNetwork();
// Train the Network with 4 input objects
net.train([
// White RGB(255, 255, 255)
{input:[255/255, 255/255, 255/255], output:{light:1}},
// Light grey (192,192,192)
{input:[192/255, 192/255, 192/255], output:{light:1}},
// Darkgrey (64, 64, 64)
{ input:[65/255, 65/255, 65/255], output:{dark:1}},
// Black (0, 0, 0)
{ input:[0, 0, 0], output:{dark:1}},
]);
// What is the expected output of Dark Blue (0, 0, 128)?
let result = net.run([0, 0, 128/255]);
// Display the probability of "dark" and "light"
... result["dark"] + " " + result["light"];
Beispiel erklärt:
Ein neuronales Netzwerk wird erstellt mit:new brain.NeuralNetwork()
Das Netz wird mit trainiertnetwork.train([examples])
Die Beispiele repräsentieren 4 Eingangswerte einen entsprechenden Ausgangswert.
Mit network.run([0,0,128/255])
fragen Sie "Was ist die wahrscheinliche Ausgabe von Dunkelblau?"
Die Antwort aus dem Netzwerk lautet:
- Dunkel: 95 %
- Licht: 4%
Warum nicht das Beispiel bearbeiten, um die wahrscheinliche Ausgabe von Gelb oder Rot zu testen?