相信不少人看過一篇人工智能已經(jīng)能實現(xiàn)自動編寫HTML，CSS的文章，人工智能開始取代前端的一部分工作。前端開發(fā)行業(yè)真的被人工智能取代嗎？

人工智能發(fā)展確實速度驚人，但是前端開發(fā)行業(yè)技能繁雜，要完全取代還為時過早。

然而人工智能和前端開發(fā)行業(yè)卻能達到雙贏！人工智能幫助前端工程師完成了大量枯燥和固化的工作，工程師們將有更多時間，在人工智能還不能做到的交互等領(lǐng)域鉆研，提升自己的技能。就是說，人工智能加速了前端開發(fā)的發(fā)展，將成就技術(shù)更加精湛的程序員們。

AI在前端領(lǐng)域的發(fā)展

人工智能也可以稱其為機器智能，其概念最初是在20世紀50年代中期Dartmouth學會上提出的。人工智能在近幾年的突破巨大，主要體現(xiàn)在幾個方面：

第一個是硬件的突破

第二個是算法的突破

第三個是大數(shù)據(jù)的存儲

這三件事促使了現(xiàn)在機器學習的領(lǐng)域一次又一次大的爆炸。硬件最大的變化就是對GPU的使用越來越頻繁。人工智能深度學習的函數(shù)、公式內(nèi)部涉及的是大量的浮點運算。這些函數(shù)在GPU出現(xiàn)之后，有大量的浮點運算就交給GPU。事實上，深度學習在GPU上的執(zhí)行效率可能是在CPU上的30~50倍。GPU也給機器學習帶來了巨大的促進作用。

2016年3月阿爾法狗戰(zhàn)勝李世石。

2017年10月最新版本的阿爾法圍棋名叫AlphaGo Zero，它以89：11的戰(zhàn)績打敗了AlphaGo Master；在2017年5月剛剛戰(zhàn)勝了柯潔。

AlphaGoZero用的是無監(jiān)督學習，而Master用的則是監(jiān)督學習的方法。

那么近年來同樣火熱的前端開發(fā)，在人工智能時代能做些什么呢?

比如我們現(xiàn)在要純前端做人臉識別，trackingjs（前端人臉識別框架，是使用js封裝的一個框架，非機器學習）；識別的好壞完全依賴庫本身的性能；最好的方案就是引入機器學習。

AI在前端領(lǐng)域的發(fā)展

在2017年，一個叫做DeepLearning.js的工程誕生了，旨在沒有API的干擾下在JavaScript中推動ML/DL的發(fā)展；但是又出現(xiàn)了速度的問題。都知道JS代碼不能運行在GPU上。為了解決這個問題，引進WebGL。

2018年3月，TensorFlow.js發(fā)布！前端也可以進行機器學習啦！Google的TensorFlow團隊發(fā)布等待多時的JavaScript框架，TensorFlow.js(之前也叫做DeepLearn.js)；TensorFlow.js提供兩樣東西：CoreAPI，來處理底層代碼，在CoreAPI之上編寫的LayerAPI，通過增加層級的抽象性使coding更容易。用戶可以完全在瀏覽器定義、訓練和運行機器學習模型。

目前AI在前端領(lǐng)域的一些應用案例有：

1. 人臉識別

2. 人臉比對

3. 物體檢測

4. 手勢檢測

5. 視頻跟蹤

6. 圖像美化

7. 人工智能已經(jīng)能實現(xiàn)自動編寫 HTML 和 CSS

https://blog.csdn.net/csdnnews/article/details/79372975

……

基于 JavaScript 的機器學習實例

實例1：（利用TensorFlow.js部署簡單的AI版「你畫我猜」）

一個簡單的工具來識別手繪圖像，并且輸出當前圖像的名稱。該應用無需安裝任何額外的插件，可直接在瀏覽器上運行。作者使用谷歌 Colab 來訓練模型，并使用 TensorFlow.js 將它部署到瀏覽器上。

實例2：（瀏覽器中實時人體姿勢估計）

TensorFlow.js版本的PoseNet，這是一種機器學習模型，允許在瀏覽器中進行實時人體姿勢估計。PoseNet運行在TensorFlow.js上，任何擁有攝像頭的PC或手機的人都可以在網(wǎng)絡(luò)瀏覽器中體驗這種技術(shù)。而且由于已經(jīng)開源了這個模型，JavaScript開發(fā)人員可以用幾行代碼來使用這個技術(shù)。更重要的是，這實際上可以幫助保護用戶隱私。由于TensorFlow.js上的PoseNet在瀏覽器中運行，因此任何姿態(tài)數(shù)據(jù)都不會留在用戶的計算機上。

實例3：（Flappy-bird ）

FlappyLearning 是一個僅用800 行代碼創(chuàng)建的 JavaScript 機器學習庫，它讓你可以像行家一樣玩轉(zhuǎn) Flappy Bird 游戲。在這個庫中所使用的 AI 技術(shù)被稱為“ Neuroevolution” 神經(jīng)進化，而它所應用算法的靈感則源于自然界生物神經(jīng)系統(tǒng)的進化，并且它可以從每次成功或失敗的迭代中進行動態(tài)的學習。另外，你只需要在瀏覽器中打開 index.html 就可以運行它了，非常簡單。

前端機器學習框架

使用JavaScript 可以運行在瀏覽器和服務(wù)器端、甚至是桌面程序上。目前已經(jīng)有不少簡潔的庫，可以將JavaScript、機器學習、DNN 甚至 NLP結(jié)合在一起，而且在瀏覽器端大多庫會調(diào)用 WebGL 來做機器學習的計算。

（https://baijiahao.baidu.com、https://www.colabug.com/4857625.html）

1. TensorFlow.js(https://js.tensorflow.org/)

TensorFlow.js 是一個開源的基于硬件加速的 JavaScript 的庫，支持在瀏覽器或者 NodeJs 中來運行深度學習，并且能支持現(xiàn)有的 Tensorflow 模型，由Google出品。可以說是前端深度學習框架 Deeplearn.js 的繼任者。它提供一系列簡潔和通俗易懂的API，用于訓練、部署模型。而且因為可以運行在瀏覽器，所以可以直接通過URL就能分享你的程序：

通過攝像頭來控制的吃豆人游戲

2. Brain.js(https://brain.js.org/)

Brain.js 是同樣可以運行在瀏覽器和 NodeJs 服務(wù)器端、能為不同的任務(wù)提供不同類型的訓練網(wǎng)絡(luò)。特點是讓定義、訓練以及執(zhí)行神經(jīng)網(wǎng)絡(luò)變得特別簡單。個人覺得這個庫比較適合入門。比如以下短短幾行代碼已涵蓋創(chuàng)建、訓練和執(zhí)行神經(jīng)網(wǎng)絡(luò)，一目了然：

Brain.js 的色彩識別器

3. Synaptic.js(http://caza.la/synaptic)

Synaptic 可以運行在瀏覽器和 NodeJs 服務(wù)器端的神經(jīng)網(wǎng)絡(luò)庫，你能夠用它訓練一層甚至是二層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。該庫包括一些內(nèi)置的體系結(jié)構(gòu)，如多層感知機（MLP）、長短時記憶網(wǎng)絡(luò)、液體狀態(tài)機和能夠訓練真實網(wǎng)絡(luò)的訓練器。

Synaptic image-filter perceptron

4. Machine learning tools(https://github.com/mljs/ml)

Machine Learning tools 是由 mljs組織開發(fā)的一組庫，可以為 JavaScript 提供機器學習工具，包括監(jiān)督和非監(jiān)督學習、人工神經(jīng)網(wǎng)絡(luò) (ANN)、回歸算法，用于統(tǒng)計、數(shù)學等的支持庫，類似于 Python 中的 scikit-learn。

5. compromise(http://compromise.cool/)

基本上是NLP自然語言處理庫 - 前端 JavaScript 實現(xiàn)的首選，這個庫加上自己的資料庫壓縮成min.js后文件大小可達到300k以下，這樣運行在瀏覽器和 NodeJs 服務(wù)器端都問題不大，具體可以做的東西是訓練自定義語義庫：劃分出分詞，獲取句子的各個詞性，可以把句子變積極消極、分詞等，比如以下例子：

JavaScript 雖然不是機器學習的最佳編程語言，不過隨著 Web生態(tài) 和 人工智能技術(shù)近年來的不斷發(fā)展完善，越來越多這樣的機器學習工具庫被研發(fā)和發(fā)布。對于一名Web的前端開發(fā)者而言，用 JavaScript 作為入門機器學習的橋梁是個不錯的選擇，它同樣能幫助你開啟機器學習之旅。

前端在機器學習方面的優(yōu)缺點

優(yōu)勢：

① 從用戶的角度來看，在瀏覽器中運行的ML意味著不需要安裝任何庫或驅(qū)動程序。只需打開網(wǎng)頁，你的程序就可以運行了。

② 此外，基于框架TensorFlow.js，它已準備好使用GPU加速運行。TensorFlow.js自動支持WebGL，并在GPU可用時會加速代碼。用戶也可以通過移動設(shè)備打開你的網(wǎng)頁，在這種情況下，模型可以利用傳感器數(shù)據(jù)，例如陀螺儀或加速度傳感器。一般來說，深層神經(jīng)網(wǎng)絡(luò)計算在GPU上運行的速度要比CPU快一個數(shù)量級。

③ 所有數(shù)據(jù)都保留在客戶端上，可以實現(xiàn)低延遲推理以及隱私保護程序。

④ 在瀏覽器中完全由客戶端運行的機器學習程序?qū)怄i新的機會，如交互式機器學習：https://github.com/tensorflow/tfjs-examples。

⑤ 離線學習，用瀏覽器中收集的少量數(shù)據(jù)進行離線訓練。這是快速訓練精確模型的一種方法，只需使用少量數(shù)據(jù)。

障礙：

① 模型學習時前端計算能力障礙

瀏覽器及移動端有限的資源計算能力：由于模型的深度學習很難直接在瀏覽器中運行，因為這些模型不是專為在瀏覽器中運行而設(shè)計的，更不用說在移動端了。以現(xiàn)有的物體探測器為例：它們通常需要大量的計算資源才能以合理的fps運行，更不用說以實時速度運行了。

② 預訓練模型加載到前端時等待時間較長障礙

在簡單的Web應用程序中將幾十兆至上百兆預訓練模型權(quán)重加載到客戶端瀏覽器是非常耗時的。這對于用戶是無法接受的。

但是，隨著JS引擎的計算能力不斷增強，人工智能領(lǐng)域的不斷發(fā)展，可以預見的是，在不久的將來，肯定能有一些簡單的算法可以被移植到用戶前端執(zhí)行，這樣既能減少請求，又能分擔后端壓力，。這一切并不是無稽之談，為什么tensorflow.js會應運而生，正是因為JS的社區(qū)在不斷壯大，JS這款便捷的語言也在得到更為普遍的使用。

這些問題正在得到解決和改善：

針對計算能力問題：

前端做算法能落實到生產(chǎn)環(huán)境嗎？能真正地給業(yè)務(wù)帶來價值嗎？答案是：可以！首先先說一下前端目前可以進行高性能計算的三種方法：

1. asm.js

2. WebAssembly

3. GPU

所以，opencv就有了asm.js和WebAssembly版本的，我們可以在前端做cv算法。什么物體跟蹤、圖像處理、特征檢測等等等，在前端做ok的，并且阿里也落地到了生產(chǎn)環(huán)境中。以及谷歌去年推出tensorflow.js支持利用gpu計算。

針對模型大小問題：

模型壓縮，以及為Web訓練高效的深度學習模型

（1）2018年09月；騰訊 AI Lab 開源世界首款自動化模型壓縮框架PocketFlow

這是一款面向移動端AI開發(fā)者的自動模型壓縮框架，集成了當前主流的模型壓縮與訓練算法，結(jié)合自研超參數(shù)優(yōu)化組件實現(xiàn)了全程自動化托管式的模型壓縮與加速。開發(fā)者無需了解具體算法細節(jié)，即可快速地將AI技術(shù)部署到移動端產(chǎn)品上，實現(xiàn)用戶數(shù)據(jù)的本地高效處理。

（2）模型壓縮開源庫整理：

（3）谷歌MobileNet

一般的tensorflow模型動輒幾百兆，在前端怎么跑呢？沒關(guān)系，我們有MobileNet啊，MobileNet是針對于移動端模型提出的神經(jīng)網(wǎng)絡(luò)架構(gòu)，能極大地減少模型參數(shù)量，同理也能用到瀏覽器端上。

（4）為Web訓練高效的深度學習模型(https://www.jianshu.com/p/ef7e1c3f5aea)

這些模型通過設(shè)計一些基本原則可以在Web環(huán)境中運行進行。我們可以訓練相當不錯的圖像分類-甚至物體檢測模型，最終只有幾兆字節(jié)大小甚至只有幾千字節(jié)：

如通過增加每層卷積濾波器的數(shù)量或堆疊更多層簡單地使你的網(wǎng)絡(luò)更深入。

前端基于現(xiàn)有框架進行模型訓練

用TensorFlow.js我們可以做什么？

TensorFlow 是GitHub 上的第一個機器學習平臺，也是 GitHub 上的五大軟件庫之一，被許多公司和組織所使用，包括 GitHub 上與 TensorFlow 相關(guān)的超過 24,500 個不同的軟件倉庫。預編譯的 TensorFlow 二進制文件已經(jīng)在 180 多個國家被下載了超過 1000 萬次，GitHub 上的源代碼現(xiàn)在已經(jīng)有超過 1200 個貢獻者。

2018年3月31日TensorFlow 開發(fā)者峰會上，TensorFlow宣布重大更新：增加支持Java，并推出開源庫TensorFlow.js，

如果你使用TensorFlow.js進行開發(fā)，可以考慮以下三種workflow：

你可以導入現(xiàn)有的預訓練的模型進行推理。如果你有一個以前脫機訓練好的現(xiàn)成的TensorFlow或Keras模型，就可以將其轉(zhuǎn)換為TensorFlow.js格式，并加載到瀏覽器中進行推理。

你可以重新訓練導入的模型。正如在上面的Pac-Man演示中，你可以使用遷移學習來增強現(xiàn)有模型，使用“ImageRetraining”技術(shù)，用瀏覽器中收集的少量數(shù)據(jù)進行離線訓練。這是快速訓練精確模型的一種方法，只需使用少量數(shù)據(jù)。

直接在瀏覽器中創(chuàng)建模型。你還可以使用TensorFlow.js，完全在瀏覽器中使用Java和high-level layers API進行定義、訓練和運行模型。如果你熟悉Keras，那么應該會很熟悉high-level layers API。

1.tensorflow在發(fā)布了JS版本的工具庫后，官網(wǎng)在線測試：

2. Tensorflow.js 圖片訓練（mnist）

3. 如何利用TensorFlow.js部署簡單的AI版「你畫我猜」圖像識別應用

4. 交互式機器學習：

結(jié)合我們自身業(yè)務(wù)，對落地場景進行初探：AI美圖

通過Tensorflowjs及converter工具將Tensorflow模型或Keras模型轉(zhuǎn)換為web_model模型；可以看到生成瀏覽器可以加載并讀取的模型參數(shù)和權(quán)重文件。從用戶的角度來看，在瀏覽器中運行的ML意味著不需要安裝任何庫或驅(qū)動程序。只需打開網(wǎng)頁，程序就可以運行了。對于圖片處理來說，不需要網(wǎng)絡(luò)開銷來傳輸和接受圖片資源，實現(xiàn)了低延遲，弱網(wǎng)或斷網(wǎng)情況下的離線運行。

在實現(xiàn)過程我們也遇到了一些問題，比如由于Tensorflowjs-converter支持有限，我們訓練模型時用到encode和decode；由于不在Supported Tensorflow Ops列表，我們通過調(diào)整模型訓練Ops來兼容。同時也付出了一些代價，模型從44K增加到幾百K。

另外，將Tensorflow模型或Keras模型轉(zhuǎn)換為web_model模型之后，會生成很多小的權(quán)重文件，在實際應用時，通過懶加載和預加載策略，可以在不影響首屏加載情況下，優(yōu)化模型加載時間。

總結(jié)

本篇屬于調(diào)研實踐型文章，旨在證明AI與前端融合的可行性及優(yōu)勢；通過分析業(yè)界面臨障礙的探索及解決思路，給我們在前端具體業(yè)務(wù)場景中，如何結(jié)合AI優(yōu)勢，解決弱計算能力、模型較大等焦點難題，提供一些可行思路。也期待大家的共同參與和優(yōu)秀實踐。