本项目使 Node.js 开发者能够使用 Python 强大的 scikit-learn 机器学习库 - 无需了解任何 Python 知识。🤯
更多信息请查看完整文档。
注意 这个项目是新的且处于实验阶段。它非常适合本地开发,但我暂时不建议在生产环境中使用。你可以在 Twitter @transitive_bs 上关注项目进展。
KMeans
TSNE
PCA
LinearRegression
LogisticRegression
DecisionTreeClassifier
RandomForestClassifier
XGBClassifier
DBSCAN
StandardScaler
MinMaxScaler
本项目面向 Node.js 用户,所以如果你不熟悉 Python,不用担心。这是唯一需要接触 Python 的步骤,应该相当简单。
确保你已安装 Node.js 和 Python 3,并且它们在你的 PATH
中。
node >= 14
python >= 3.7
在 Python 环境中,通过 pip
全局安装 numpy
和 scikit-learn
,或使用你喜欢的虚拟环境管理器安装。运行 Node.js 程序的 shell 需要访问这些 Python 模块,所以如果你使用虚拟环境,请确保它已激活。
如果你不确定这意味着什么,没关系。首先安装 Python,这也会安装 Python 的包管理器 pip
。然后运行:
pip install numpy scikit-learn
*恭喜!*你已经安全地导航到 Python 领域,从现在开始,我们将使用 Node.js / JS / TS。sklearn
NPM 包将在底层使用你的 Python 安装。
npm install sklearn
更多信息请查看完整文档。
import * as sklearn from 'sklearn' const data = [ [0, 0, 0], [0, 1, 1], [1, 0, 1], [1, 1, 1] ] const py = await sklearn.createPythonBridge() const model = new sklearn.TSNE({ n_components: 2, perplexity: 2 }) await model.init(py) const x = await model.fit_transform({ X: data }) console.log(x) await model.dispose() await py.disconnect()
由于 TS 类是从 Python 文档自动生成的,代码看起来几乎与 Python 版本相同,所以可以使用他们优秀的 API 文档 作为参考。
所有类名、方法名、属性(访问器)名称和类型都与官方 Python 版本相同。
主要区别是:
sklearn
类之前,你需要调用 createPythonBridge()
createPythonBridge({ python: '/path/to/your/python3' })
传递自定义的 python
路径init
方法
numpy
或 pandas
numpy
数组作为输入或输出的地方,我们只使用 number[]
、number[][]
等numpy
数组的转换dispose()
来释放底层 Python 资源disconnect()
以干净地退出 Python 子进程// 这样可以(关键字参数) const x = await model.fit_transform({ X: data }) // 这样还不行(位置参数) const y = await model.fit_transform(data)
scikit-learn
的内置数据集生成 TS 代码scikit-learn
的顶级函数导出生成 TS 代码(目前只有类)这里有一些并排的示例,左边使用官方 Python scikit-learn
包,右边使用 TS sklearn
包。
<i><a href="https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.StandardScaler.html">StandardScaler Python 文档</a></i>
<table> <tr> <th width="450px"><b>Python</b></th> <th width="450px"><b>TypeScript</b></th> </tr> <tr> <td></td> <td>import numpy as np from sklearn.preprocessing import StandardScaler data = np.array([ [0, 0, 0], [0, 1, 1], [1, 0, 1], [1, 1, 1] ]) s = StandardScaler() x = s.fit_transform(data)
</td> </tr> </table>import * as sklearn from 'sklearn' const data = [ [0, 0, 0], [0, 1, 1], [1, 0, 1], [1, 1, 1] ] const py = await sklearn.createPythonBridge() const s = new sklearn.StandardScaler() await s.init(py) const x = await s.fit_transform({ X: data })
<i><a href="https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html">KMeans Python 文档</a></i>
<table> <tr> <th width="450px"><b>Python</b></th> <th width="450px"><b>TypeScript</b></th> </tr> <tr> <td></td> <td>import numpy as np from sklearn.cluster import KMeans data = np.array([ [0, 0, 0], [0, 1, 1], [1, 0, 1], [1, 1, 1] ]) model = KMeans( n_clusters=2, random_state=42, n_init='auto' ) x = model.fit_predict(data)
</td> </tr> </table>import * as sklearn from 'sklearn' const data = [ [0, 0, 0], [0, 1, 1], [1, 0, 1], [1, 1, 1] ] const py = await sklearn.createPythonBridge() const model = new sklearn.KMeans({ n_clusters: 2, random_state: 42, n_init: 'auto' }) await model.init(py) const x = await model.fit_predict({ X: data })
<i><a href="https://scikit-learn.org/stable/modules/generated/sklearn.manifold.TSNE.html">TSNE Python 文档</a></i>
<table> <tr> <th width="450px"><b>Python</b></th> <th width="450px"><b>TypeScript</b></th> </tr> <tr> <td></td> <td>import numpy as np from sklearn.manifold import TSNE data = np.array([ [0, 0, 0], [0, 1, 1], [1, 0, 1], [1, 1, 1] ]) model = TSNE( n_components=2, perplexity=2, learning_rate='auto', init='random' ) x = model.fit_transform(data)
</td> </tr> </table>import * as sklearn from 'sklearn' const data = [ [0, 0, 0], [0, 1, 1], [1, 0, 1], [1, 1, 1] ] const py = await sklearn.createPythonBridge() const model = new sklearn.TSNE({ n_components: 2, perplexity: 2, learning_rate: 'auto', init: 'random' }) await model.init(py) const x = await model.fit_transform({ X: data })
查看完整文档以获取更多示例。
Python机器学习生态系统通常比Node.js机器学习生态系统成熟得多。大多数机器学习研究都是在Python中进行的,而许多Python开发者认为理所当然的常见机器学习任务在Node.js中要困难得多。
例如,我最近在使用全栈TypeScript进行一个数据可视化项目时,需要对一些文本嵌入进行k-means和t-SNE处理。我测试了6个不同的t-SNE JS包和几个k-means包。这些t-SNE包都无法处理中等大小的输入,在许多情况下速度慢了1000倍,而且我在使用基于JS的版本时经常遇到NaN
问题。
这就说明了问题所在;在JS/TS领域要与经过验证的Python机器学习库(如scikit-learn
)的稳健性、速度和成熟度竞争是非常困难的。
因此,与其尝试从头开始构建基于Rust的版本或使用上述临时的NPM包,我决定进行一个实验,看看在Node.js中直接使用scikit-learn
有多实用。
这就是scikit-learn-ts
诞生的原因。
这个项目使用了python-bridge的一个分支,它将Python解释器作为子进程启动,并通过标准Unix管道进行双向通信。IPC管道不会干扰stdout
/stderr
/stdin
,因此您的Node.js代码和底层Python代码可以正常打印内容。
TS库是从Python scikit-learn
的API文档自动生成的。通过使用官方Python文档作为真实来源,我们可以保证一定程度的兼容性和可升级性。
对于每个属于导出Python class
或function
的scikit-learn
HTML页面,我们首先使用cheerio
解析其元数据、参数、方法、属性等,然后将Python类型转换为等效的TypeScript类型。然后我们生成一个相应的TypeScript
文件,该文件通过PythonBridge
封装该Python声明的实例。
对于每个TypeScript
包装器class
或function
,我们特别注意处理Node.js和Python之间的值的JSON序列化,包括在必要时在原始数组和numpy
数组之间进行转换。所有的numpy
数组转换应该都会自动为您处理,因为我们只支持通过PythonBridge
序列化原始JSON类型。可能存在一些自动numpy
推断失败的边缘情况,但我们有一个针对这些情况的回归测试套件,所以只要官方Python文档对给定类型是正确的,那么我们的隐式numpy
转换逻辑应该就能"正常工作"。
本项目与官方Python scikit-learn项目无关。希望有朝一日能成为其中的一部分。😄
所有复杂的机器学习工作都是通过官方Python scikit-learn项目在底层完成的,我们对他们绝对令 人惊叹的团队表示充分的感谢。这个项目只是一个小型开源实验,试图为Node.js社区利用现有的scikit-learn
生态系统。
查看完整文档以获取更多信息。
官方Python scikit-learn
项目采用BSD 3-Clause许可。
本项目采用MIT许可 © Travis Fischer。
如果您觉得这个项目有帮助,请考虑<a href="https://twitter.com/transitive_bs">在推特上关注我<img src="https://yellow-cdn.veclightyear.com/835a84d5/e1a4d9fd-cfd4-45f9-bc50-1ecc6c24bf67.svg" alt="twitter" height="24px" align="center"></a>
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
全能AI智能助手,随时解答生活与工作的多样问题
问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。
一键生成PPT和Word,让学习生活 更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
AI助力,做PPT更简单!
咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。
选题、配图、成文,一站式创作,让内容运营更高效
讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。
专业的AI公文写作平台,公文写作神器
AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号