JavaScript 和 ES6
在这个过程你会发现，有很多 JS 知识点你并不能更好的理解为什么这么设计，以及这样设计的好处是什么，这就逼着让你去学习这单个知识点的来龙去脉，去哪学？第一，书籍，我知道你不喜欢看，我最近通过刷大厂面试题整理了一份前端核心知识笔记，比较书籍更精简，一句废话都没有，这份笔记也让我通过跳槽从8k涨成20k。
如果你觉得对你有帮助，可以戳这里获取：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】
这个问题几乎会成为所有非 Python 脚本语言想要亲近机器学习的门槛，Tensorflow.js 也不例外，几乎是很难去做到让学者和工程师迁移到 JavaScript 的链路上，为此就需要花费极大的精力去抹平那些存在于 Python 生态中的内容。
▐ Node.js 与 Tensorflow
Tensorflow.js 的 Node.js 版本一直到比较滞后的版本才出现，在那之前，我也曾经基于 Tensorflow C API 写过一个 yorkie/tensorflow-nodejs，但不久后我就停止更新了。
Node.js 对于 Tensorflow 来说，的确是一个比较尴尬的运行时，首先 Node.js 运行时环境并不像 Web 会给机器学习带来一些新的交互场景，但是如果用来构建模型，又如上一节所说，需要做大量的生态迁移工作。一旦 Python 生态有一些新模型时，往往都需要额外的迁移工作。
与 Node.js 形成对比的是 Tensorflow 的 Swift 版本，它基于 CPython 封装了 Swift 调用 Python 的接口，从而不需要做任何的迁移工作，就可以使用 Swift 代码调用所有 Tensorflow 在 Python 实现的功能。
CPython 是 Python 语言的官方实现，使用 C 语言编写，因此叫 CPython，支持嵌入到任何环境，缺点是对于多线程/并行解释支持不友好。
基于 Tensorflow Swift 的思路，Pipcook 创造了 Boa，它也是通过 CPython，提供了在 Node.js 中调用 Python 的能力，如下：
const { keras } = boa.import(‘tensorflow’);
const { layers, Model } = keras;
class TestModel extends Model {
constructor() {
super();
this.conv1 = layers.Conv2D(32, 3, boa.kwargs({ activation: ‘relu’ }));
this.flatten = layers.Flatten();
this.d1 = layers.Dense(128, boa.kwargs({ activation: ‘relu’ }));
this.d2 = layers.Dense(10, boa.kwargs({ activation: ‘softmax’ }));
}
call(x) {
return this.conv1(x)
.flatten(x)
.d1(x)
.d2(x);
}
}
通过如上代码，我们构建了一个4层的神经网络模型类，以上代码只需要通过 Boa 安装 tensorflow 包，即可运行成功。
在 Boa 的帮助下，对于 JavaScript 生态的提升非常大，维护者再也不需为了同步 Python 相关的代码而花费精力，同时也能间接使用完整、稳定的 Tensorflow 功能。
▐ Node.js 的机器学习生态
Boa 除了能协助减少 Tensorflow 使用的成本外，同样对其他 Python 包一样，比如 numpy、sklearn、pandas 等基础库，当然也包括 pytorch、tvm 等大型框架。
了解了 Boa 的背景后，现在重点说说 Node.js 的生态和机器学习生态融合所带来的便利性。
对于不了解 Python 的前端开发者来说，上手的难度其实并没有多简单，对于新手而言、虽然语法可以快速入门，但包管理器、系统 API、熟悉各种库以及对于语言的熟练程度都不是立马能掌握的，此时如果能取长补短的话，带来的便利性会大大提升。
比如我仍然可以使用像 Koa、Express、Midway 等框架去搭建服务，然后在路由控制器中使用 Boa 提供的桥接能力调用到 Tensorflow 来完成模型的推理服务，这样对于一个已经熟悉 Node.js 生态的开发者来说，只需要掌握 Tensorflow 相关的 API，而不需要学习如何使用 Python 来搭建 HTTP 服务。
正如上一个例子，Boa 并非是让前端开发者用 JavaScript 来写 Python 代码，更大的价值还是生态的融合和补充，各自取长补短，在此基础上，发展出适合前端生态圈自己的机器学习生态来。
通过以上三个小节，我们分别了解了机器学习在前端智能化的演进过程，从一开始的 Tensorflow.js 在浏览器的使用，到 Tensorflow Node.js 的重新实现，再到通过 CPython 直接融合 Python 和 Node.js 生态，在我们的愿景，未来的前端机器学习生态将继续按照如下两个方向进行：
-
以 Tensorflow.js、MNN 为代表的，主要针对 Web 环境的推理优化
-
以 Boa 为基础发展出来的 Node.js 机器学习生态，主要通过复用两个生态，来打通各工程和算法链路，实现前端机器学习的最优解
以上就是我们对于前端和机器学习当前问题的一些观点，那么接下来，我们会以 Pipcook 的视角，来讲述关于 Pipcook 的故事。
智能化时代的 Node.js
大部分前端开发者一定对 Node.js 不陌生，从 2009 年 Ryan Dahl 开源以来，围绕着 Node.js 展开的一系列标杆技术，包括：NPM、TypeScript、Koa、Webpack 等等，都与 Node.js 发展离不开。
Node.js 的诞生，不仅让前端开发者的生态延展到了服务端开发的领域，也同样触及到了其他诸多领域，比如开发者们早就习惯了通过 commanderjs 或者 minist 来为自己开发简单易用的命令行工具，再比如 Electron 通过 Node.js 和 Chromium 来开发跨端的客户端应用，ReactNative/Weex 也间接使用了 Node.js 生态圈来帮助前端开发者构建移动应用，还有诸如 ShadowNode 和 IoT.js 这样将 Node.js 应用在嵌入式领域。
Node.js 一直在赋能前端开发者，帮助他们做到一切他们想做的事情，而 Pipcook，希望成为智能化时代的 Node.js，赋予前端开发者们智能化的能力。
▐ Pipcook、N********ode.js 与机器学习
如果要用一张图来描述 Pipcook 与 Node.js 的关系，那么上图就是比较恰当的描述。对于 Pipcook 来说，我们的愿景就是像 Node.js 一样，成为前端工程师进阶为机器学习工程师的一个简单易用的平台。
那么，前端工程师到底应该如何成为机器学习工程师呢？这里的机器学习工程师又是什么工种呢，要负责哪些事情，需要掌握什么样的知识？
首先我们来看看，对于 Node.js 体系下的服务端工程师都做了些什么。
小王是一家创业公司的 Node.js 主程，公司的主要业务是一套 O2O 的线上交易系统，全部使用 Node.js 完成，那么小王需要完成的工作包括根据交易系统的主链路，设计符合系统要求的数据库、消息队列、子服务以及网关服务等，数据库方面使用了 MongoDB，消息队列用了 ZMQ 和 Resque，网关使用 Nginx 配置完成。
小狼是一家大型互联网公司的 Node.js 工程师，日常工作是根据业务需求，使用 Node.js 来研发业务系统，其中涉及到的技术则是通过 Node.js 对接公司内部的数据库系统 XDB、内部消息队列 XMQ。在业务上线后，发现系统的某个请求的 QPS 远远达不到实际的使用要求，因此通过针对个别场景的优化，并引入缓存和修改索引，完成了线上的要求。
看完了小王和小狼的经历，其实可以看出来要完成这些工作，对于前端工程师并不容易，因为需要了解很多在服务器开发领域会用到的概念，比如数据库设计、消息队列、网关等，同时问题的优化手段与以往的前端领域也是不同的，唯一相同的点是使用了相同的语言。
这有点像是一个国家，会分为各种不同的工种，有负责军事的军人，负责政治的政客、负责经济的商人以及负责学术的学者，但他们同时都使用一种语言进行交流，当一名军人退役后想要从商，同样需要学习成为一名商人所需的素质和技能。
那么 Node.js 也是如此，一名前端工程师与 Node.js 工程师都使用 JavaScript，转型所需的知识和技能是必须要掌握的，不过 Node.js 会提供转型所需的工具和平滑的学习路线。要成为一名机器学习工程师，也需要掌握机器学习的基础知识，而 Pipcook 则是通过工具，帮助开发者更快地完成内化学习的过程。
接下来，我们就来看看 Pipcook 工具箱中都有哪些利器。
▐ 如何使用机器学习的生态
正如上一节末尾所说：
以 Boa 为基础发展出来的 Node.js 机器学习生态，主要通过复用两个生态，来打通各工程和算法链路，实现前端机器学习的最优解
Boa 便是 Pipcook 工具箱中的利器之一，它快速地填充了前端与机器学习生态的离距，让两个生态能够更加无缝地融合，那么我们就来看看它是如何融合两个生态的。
无论是 JavaScript 还是 Python，它们都是一门脚本语言，需要通过额外的虚拟机（V8 或 CPython）才能执行代码，本文将会从更宏观的角度来看待这个虚拟机这个技术问题。
虚拟机，顾其名思其义，就是在一个世界中模拟出另一个世界。那么，可以这么理解，虚拟机其实就是一个世界，这个世界上会有花、有草、有人，用编程领域的概念来说，就是有“对象”，那么对于不同的虚拟机，就像是不同的世界，不同世界的游戏法则就不同，对于不同“对象”的定义也不同，所以可以把 JavaScript 和 Python 看作是两个不同的世界，并且由于规则的不同，衍生出来的生态也不同。
那么要融合这两个不同的世界，应当如何呢？如果要将两个世界中的每个类别、对象都一一对应上去，这个工作是极大的，而且每个世界本身也在不断地发展和壮大，因此永远也不可能完成这个对应关系。
那么得益于 Python 世界的架构之初，这优雅的设计（对象模型）使得 Python 万物都可归纳于几类，并且对身处高阶世界的我们开放了控制对象的接口，这就使得我们能从 JavaScript 世界中通过这个接口来控制 Python 世界中的万物，从而让生活在 JavaScript 中的人们具备使用 Python 世界资源的能力。
希望上面这个生动的例子，可以帮助更好地理解 Pipcook 在融合 JavaScript 与 Python 生态所做的事情，那么接下来，我们会从性能上来看看使用 Boa 时所带来的开销是否可以接受。
我们将使用以下两种调用方式来进行对比：a）通过 Boa 调用 Python，b）全部使用 Python，答案是非常明显的，就是性能上至少 a = b，极大可能 a > b。
通过上图，无论对于 Boa 还是 Python，最底层都是在使用 Python Objects，它包含了 Python 中所有函数的定义、变量的定义以及操作符的定义等等，对于执行纯 Python 代码而言，它通过 CPython 的解释器将代码转换成对 Python Objects 的调用。
对于 Boa 来说，也是一样的，由 v8 完成对 JavaScript 代码的解析，然后再将对应的操作映射到 Python Objects，因此两者的差异就在于 v8 和 Python Interrupter 对于各自代码的解释/执行效率，那么对于这一点来说，Python 和 JavaScript 都有各自的优化策略和方法，所以几乎是不相伯仲的。
上述所表达的是，虽然听上去是要从 JavaScript 调用到 Python，但其实从实现的机制来说，并非将 JavaScript 转成 Python 代码，然后再由 Python 解释器执行，而是直接与 Python 底层的对象交互，这样并不会增加额外的性能开销，所以可以放心使用。
在性能问题解决之后，我们再说一下它对于前端机器学习的意义。
在有了它之后，我们不再需要像 nodejieba，tfjs-node 这样的桥接库了，它就像打开了一扇通往机器学习新世界的大门，从此 JavaScript 的世界中，可以以非常低的成本使用到最成熟、最前沿的机器学习生态了。
▐ 前端机器学习的领域语言
什么是领域语言呢？或者我换一种说法 —— DSL，Pipcook 为了隐藏掉一些不必要的技术细节，基于 JSON 定义了一套用来描述如何训练模型的语言，叫 Pipeline。
我们首先从一个简单的 Pipeline 例子开始：
{
“plugins”: {
“dataCollect”: {
“package”: “@pipcook/plugins-mnist-data-collect”,
“params”: {
“trainCount”: 8000,
“testCount”: 2000
}
},
“dataAccess”: {
“package”: “@pipcook/plugins-pascalvoc-data-access”
},
“dataProcess”: {
“package”: “@pipcook/plugins-tensorflow-image-classification-process”,
“params”: {
“resize”: [224, 224]
}
},
“modelDefine”: {
“package”: “@pipcook/plugins-tensorflow-mobilenet-model-define”,
“params”: {}
},
“modelTrain”: {
“package”: “@pipcook/plugins-image-classification-tensorflow-model-train”,
“params”: {
“epochs”: 15
}
},
“modelEvaluate”: {
“package”: “@pipcook/plugins-image-classification-tensorflow-model-evaluate”
}
}
}
Pipeline 的结构看上去比较简单，基本上是由不同的插件（plugins）构成，每个插件节点由 package 和 params 组成，前者指定了插件的包名，后者则指定了插件所需的参数。
我们将一个完整的训练模型的过程，通过这种声明式的方式，分为了不同的节点，每个节点定义明确的输入与输出，而对于想要训练模型的开发者而言，只需要配置对应的插件和参数即可。
比如当我想要更换上述 Pipeline 的数据集，那么修改以下节点即可：
{
“plugins”: {
“dataCollect”: {
“package”: “@pipcook/plugins-image-classification-data-collect”,
“params”: {
“url”: “数据集的地址”
}
},
…
}
}
想要浏览官方插件的可以点击这里：https://github.com/imgcook?q=pipcook-plugin&type=&language=
通过这种声明式的方式，可以帮助用户在不需要理解任何代码的情况下，就能用自己的数据集轻松训练出自己的模型了，训练完成后，会生成如下文件：
output
┣ logs
┣ model
┣ package.json
┣ metadata.json
┗ index.js
在 output 目录下执行 npm 安装命令，即可通过 index.js 使用训练好的模型了。
import * as predict from ‘./output’;
predict(‘your input data’);
▐ 使用 Pipcook 进阶机器学习
上一节中介绍了我们如何降低前端开发者训练一个模型的门槛，那么本节将以之前提到的插件开发展开，说说如何通过 Pipcook 进一步学习机器学习的知识。
在机器学习界，流传着一句这样的名言：特征工程（Feature Engineering）决定着机器学习的上限，而模型要做的只是无限地逼近它。对于 Pipcook 而言，同样需要帮助所有开发者解决特征工程和模型训练的问题，因此 Pipeline 将插件基本分为了两大类：
- 数据类（DataCollect/DataAccess/DataProcess）解决数据和特征工程的问题
前端资料汇总
开源分享：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】
我一直觉得技术面试不是考试，考前背背题，发给你一张考卷，答完交卷等通知。
首先，技术面试是一个 认识自己 的过程，知道自己和外面世界的差距。
更重要的是，技术面试是一个双向了解的过程，要让对方发现你的闪光点，同时也要 试图去找到对方的闪光点，因为他以后可能就是你的同事或者领导，所以，面试官问你有什么问题的时候，不要说没有了，要去试图了解他的工作内容、了解这个团队的氛围。
找工作无非就是看三点：和什么人、做什么事、给多少钱，要给这三者在自己的心里划分一个比例。
最后，祝愿大家在这并不友好的环境下都能找到自己心仪的归宿。
350
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
