机器学习新框架Propel：使用JavaScript做可微分编程

本文介绍了一种 JavaScript 的机器学习新框架 Propel，该框架技能在 Node 中使用，又能在浏览器中使用。以下是对该框架的使用介绍。

Propel 提供 JavaScript 中的 GPU 后端类似 numpy 的基础设施。JavaScript 作为快速、动态语言，我们认为可以作为所有科学类程序员的理想工作流。

Propel 在浏览器、Node 中都能运行。在两个环境中，Propel 都能够使用 GPU 硬件对计算进行加速。在浏览器中，它能通过 deeplearn.js 利用 WebG，在 Node 上，它能使用 TensorFlow 的 C API。

import { grad, linspace, plot  } from "propel";

f = x => x.tanh();
x = linspace(-4, 4, 200);
plot(x, f(x),
     x, grad(f)(x),
     x, grad(grad(f))(x),
     x, grad(grad(grad(f)))(x),
     x, grad(grad(grad(grad(f))))(x))

Propel 有个重要的 autograd 式的 API，这不同于 TensorFlow。在运行过程中，会随着追踪计算图，通用的一种梯度函数提供了做反向传播的简洁借口。

浏览器做 demo 很棒，但不是强大的数字平台。WebGL 又和 CUDA 相距甚远。通过在浏览器外运行 Propel，用户能够面向多种 GPU，并做 TCP 连接。服务器边开发的模型能够更容易部署为 HTML demo。

基础的 Propel npm 程序包只是 Javasript 的，没有 TensorFlow 捆绑物。为了提升速度，你可以安装：

npm install propel_mac
npm install propel_windows
npm install propel_linux
npm install propel_linux_gpu

在 Node 中使用 Propel：

npm install propel
import { grad } from "propel";

在浏览器中使用 Propel：

<script src="https://unpkg.com/propel@3.0.0"></script>