中瑯條碼標(biāo)簽打印軟件如何批量生成個(gè)位隨機(jī)數(shù)字

中瑯條碼標(biāo)簽打印軟件中批量隨機(jī)生成個(gè)位數(shù)字的方法有2種。一種方法是直接使用數(shù)據(jù)對(duì)象類型“隨機(jī)生成”，還有一種方法是使用“腳本編程”的數(shù)據(jù)類型去批量生成。

在開(kāi)始制作之前我們先來(lái)簡(jiǎn)單了解一下中瑯條碼標(biāo)簽打印軟件的數(shù)據(jù)對(duì)象類型都有那些？

有手動(dòng)輸入、數(shù)據(jù)庫(kù)導(dǎo)入、隨機(jī)生成、腳本編程、序列生成、打印時(shí)輸入、數(shù)據(jù)引用、日期時(shí)間等等。在本文中就主要用到了2中數(shù)據(jù)對(duì)象類型，接下來(lái)快來(lái)看下在軟件中具體的操作步驟有那些吧。

首先需要先在電腦上面安裝好中瑯條碼標(biāo)簽打印軟件，打開(kāi)軟件點(diǎn)擊新建，并選擇打印機(jī)，設(shè)置標(biāo)簽紙張的大小，需要注意的是標(biāo)簽紙張的大小需要設(shè)置的和打印機(jī)中標(biāo)簽紙張大小保持一致。

一、隨機(jī)生成

1）點(diǎn)擊軟件左側(cè)工具欄中“實(shí)心A”，并在畫布合適的繪制進(jìn)行繪制普通文本，鼠標(biāo)雙擊，彈出“圖形屬性”在數(shù)據(jù)源中點(diǎn)擊修改，選數(shù)據(jù)類型類型“隨機(jī)生成”字符集合為：0123456789，生成長(zhǎng)度為：1編輯；

2）在圖形屬性——文字中修改字體、樣式、大小、排版模式、顏色等排版參數(shù)信息，都可根據(jù)實(shí)際需求去進(jìn)行調(diào)整。設(shè)置完成點(diǎn)擊打印預(yù)覽即可查看批量生成1位隨機(jī)數(shù)字的效果。

二、腳本編程

同樣是點(diǎn)擊“實(shí)心A”在標(biāo)簽上繪制普通文本，不同的是在數(shù)據(jù)對(duì)象類型中使用的數(shù)據(jù)類型是“腳本編程”，所實(shí)現(xiàn)的是隨機(jī)生成1-9數(shù)字的腳本。

/*javascript*/

//vars:thisObj,dataObj

var mon=["1","2","3","4","5","6","7","8","9"];

var n=Math.floor(Math.random() * 9 + 1)-1;

var n2=n.toFixed(0)

strReturn=mon[n2];

綜上所述就是在中瑯條碼標(biāo)簽打印軟件中批量生成個(gè)位隨機(jī)數(shù)字的操作方法了。有需要的小伙伴趕快按照上面的操作步驟在軟件中進(jìn)行設(shè)置吧。

ntroduction 介紹

人工智能和機(jī)器學(xué)習(xí)是軟件開(kāi)發(fā)的一個(gè)令人興奮的新前沿。雖然新的工具，網(wǎng)站和其他資源不斷涌現(xiàn)，但其中大多數(shù)都是用Python（或者R）編寫的。如果你是一個(gè)前端開(kāi)發(fā)人員（他最喜歡的語(yǔ)言可能是JavaScript），你可能會(huì)想知道你是否有可能探索這個(gè)新世界。

幸運(yùn)的是，這個(gè)問(wèn)題的答案是肯定的。有一些庫(kù)可以讓你在不了解Python一行的情況下練習(xí)機(jī)器學(xué)習(xí)。在本教程中，我們將探討其中之一 - 大腦.js - 并展示如何構(gòu)建，訓(xùn)練和使用只有JavaScript的深度神經(jīng)網(wǎng)絡(luò)（DNN）。

Learning objectives 學(xué)習(xí)目標(biāo)

我們將逐步完成一個(gè)預(yù)構(gòu)建的 DNN。我們將展示它如何從 UI 中工作，深入研究將 UI 連接到 DNN 的代碼，然后解釋實(shí)際創(chuàng)建和訓(xùn)練 DNN 的代碼。然后，我們將回過(guò)頭來(lái)解釋 DNN 是什么、它們?nèi)绾喂ぷ饕约叭藗內(nèi)绾蝿?chuàng)建和改進(jìn)它們的一些基本概念。在此過(guò)程中，我們將發(fā)現(xiàn)DNN如何使我們能夠以令人驚訝的少代碼獲得令人印象深刻的結(jié)果。

Prerequisites 前置條件準(zhǔn)備

本文假定您之前沒(méi)有 DNN 或機(jī)器學(xué)習(xí)方面的經(jīng)驗(yàn)

For the tutorial, you will need:

Basic familiarity with JavaScript 對(duì)腳本的基本熟悉程度
Basic familiarity with Git and GitHub 對(duì) Git 和 GitHub 的基本熟悉程度

步驟1. Draw and predict

克隆存儲(chǔ)庫(kù)后，在所選瀏覽器中打開(kāi)數(shù)字計(jì)算器.html文件。加載時(shí)，您應(yīng)該會(huì)看到以下內(nèi)容。

這是數(shù)字預(yù)測(cè)應(yīng)用程序的 UI，該應(yīng)用程序使用 DNN 來(lái)猜測(cè)您在其網(wǎng)格中繪制的內(nèi)容。

嘗試在網(wǎng)格中繪制一個(gè)數(shù)字;它可以是 0 到 9 之間的任何值（僅限一位數(shù)字）。您可以通過(guò)單擊網(wǎng)格中的正方形，按住鼠標(biāo)左鍵并拖動(dòng)它來(lái)繪制數(shù)字，完成后釋放。

繪制完某些內(nèi)容后，單擊“獲取評(píng)估”按鈕。這樣做應(yīng)該會(huì)產(chǎn)生如圖 2 所示的反饋。

若要進(jìn)行其他預(yù)測(cè)，請(qǐng)單擊“清除輸入”按鈕并在網(wǎng)格中繪制另一個(gè)數(shù)字，然后再次單擊“獲取評(píng)估”。

Here's what just happened 這是剛剛發(fā)生的事情

希望到現(xiàn)在為止，您已經(jīng)對(duì)此程序的工作原理很感興趣。到目前為止，您已經(jīng)與預(yù)先訓(xùn)練的 DNN 進(jìn)行了交互。

在非常基本的層面上，您正在創(chuàng)建輸入 - 您繪制的數(shù)字 - 并將其饋送到DNN。反過(guò)來(lái)，DNN正在使用它以前教授的內(nèi)容（稍后會(huì)詳細(xì)介紹）來(lái)進(jìn)行有根據(jù)的猜測(cè)或預(yù)測(cè)。代碼在 UI 中顯示此預(yù)測(cè)，并添加了一些詳細(xì)信息，例如黃色突出顯示，以使網(wǎng)絡(luò)的選擇更加明顯。

步驟2. 使用Brain.js 庫(kù)構(gòu)建DNN訓(xùn)練

我們現(xiàn)在將演練代碼，以便您可以看到使用大腦.js庫(kù)在JavaScript中實(shí)現(xiàn)DNN是什么樣的。完成此操作后，我們將退后一步，更廣泛地討論 DNN 的工作原理，并回顧我們看到的代碼，以將其全部聯(lián)系在一起。

當(dāng)我們單擊“獲取評(píng)估”按鈕時(shí)，我們可以看到它調(diào)用了一個(gè)名為getAssessment():

<button onclick="getAssessment()" style="width:49%;">
    Get Assessment
</button>

當(dāng)我們?cè)跀?shù)字計(jì)算器.html文件中向下滾動(dòng)時(shí)，我們可以看到 getAssessment（）的定義：

function getAssessment() {
    const inputArray=captureAndTransformInput()
    let ourNetwork=ourNeuralNetwork
    const result=arrayToHTML(resultToArray(ourNetwork.run(inputArray)))

    document.getElementById('assessment').innerHTML=result
}

getAssessment（）函數(shù)是我們創(chuàng)建的，因此我們的 UI 可以與大腦.js庫(kù)創(chuàng)建的 DNN 對(duì)象進(jìn)行通信（稍后會(huì)詳細(xì)介紹）。

如果要使用 DNN，我們需要做的第一件事就是獲取有關(guān)我們?cè)谄聊簧侠L制的內(nèi)容的數(shù)據(jù)。我們需要給 DNN 一些要檢查的東西。我們使用為演示創(chuàng)建的另一個(gè)函數(shù)來(lái)執(zhí)行此操作，該函數(shù)稱為捕獲和轉(zhuǎn)換輸入（）。此函數(shù)循環(huán)訪問(wèn)我們網(wǎng)頁(yè)上的網(wǎng)格，并檢查哪些框被涂成紅色，哪些框沒(méi)有。然后，它采用所有這些數(shù)組，并將整體轉(zhuǎn)換為 1 和 0 的數(shù)組，并返回結(jié)果：

function captureAndTransformInput() {
    const boxes=Array.from(document.getElementsByClassName('cell'))
    const toOnesOrZeros=box=> box.style.backgroundColor==='red' ? 1 : 0
    return boxes.map(toOnesOrZeros)
}

我們需要執(zhí)行此轉(zhuǎn)換，因?yàn)?Brain.js 庫(kù)提供給我們的 DNN 將不知道如何處理原始數(shù)據(jù)（來(lái)自 HTML 頁(yè)面的顏色信息）。我們的 DNN 只知道如何處理 1 和 0 的列表。

使用深度學(xué)習(xí)術(shù)語(yǔ)，我們正在使用捕獲和轉(zhuǎn)換輸入函數(shù)為我們的 DNN 創(chuàng)建一個(gè)輸入向量。

步驟 3. 使用DNN 來(lái)判斷準(zhǔn)確度

所有 DNN 都需要一個(gè)輸入向量來(lái)完成其工作。即使是你可能聽(tīng)說(shuō)過(guò)的神經(jīng)網(wǎng)絡(luò)示例，例如那些處理照片以確定它們是否包含貓或狗的示例，也不能直接處理照片。

相反，腳本（通常是Python）從照片中獲取像素信息并將其解卷成一長(zhǎng)串值，這些值通常是表示照片中每個(gè)像素的每個(gè)RGB值的不同部分的數(shù)字。結(jié)果稱為輸入向量，對(duì)于照片，它可以包含許多值。我們正在對(duì)捕獲和轉(zhuǎn)換輸入（）執(zhí)行類似的操作，盡管更簡(jiǎn)單。

現(xiàn)在我們有了輸入向量，我們可以使用 DNN 對(duì)剛剛繪制的內(nèi)容進(jìn)行分類，并確定其準(zhǔn)確性。

使用 Brain.js庫(kù)時(shí)，將創(chuàng)建一個(gè)包含有關(guān) DNN 的信息的對(duì)象。此對(duì)象的一個(gè)方面是名為 run（）的方法。這就是實(shí)際生成的預(yù)測(cè)，最終在我們看到的網(wǎng)頁(yè)上結(jié)束：

ourNeuralNetwork.run(...)

但在我們實(shí)際使用我們的 DNN 對(duì)象之前，我們必須先訓(xùn)練它并設(shè)置一些參數(shù)。我們很快就會(huì)解釋這一點(diǎn)，但現(xiàn)在我們將繼續(xù)看到網(wǎng)絡(luò)的預(yù)測(cè)如何將其返回到網(wǎng)頁(yè)。

brain.js run（）方法將輸入向量作為參數(shù)并返回結(jié)果。此結(jié)果是一個(gè) JSON 有效負(fù)載，其中包含有關(guān) DNN 對(duì)我們繪制的數(shù)字的有根據(jù)的猜測(cè)的信息。在我們的教程中，我們將captureAndTransformInput（）函數(shù)的輸出提供給run（）方法：

const inputArray=captureAndTransformInput()
const result=arrayToHTML(resultToArray(ourNeuralNetwork.run(inputArray)))
The output of the run() method - i.e., our network’s prediction - is then passed to another “transformer” function we have created called resultToArray():

function resultToArray(resultToConvert) {
    let arrayToReturn=[]

    arrayToReturn.push({ label: 'Zero', likelihood: resultToConvert.Zero, topChoice: 0, ordinal: 0 })
    arrayToReturn.push({ label: 'One', likelihood: resultToConvert.One, topChoice: 0, ordinal: 1 })
    arrayToReturn.push({ label: 'Two', likelihood: resultToConvert.Two, topChoice: 0, ordinal: 2 })
    arrayToReturn.push({ label: 'Three', likelihood: resultToConvert.Three, topChoice: 0, ordinal: 3 })
    arrayToReturn.push({ label: 'Four', likelihood: resultToConvert.Four, topChoice: 0, ordinal: 4 })
    arrayToReturn.push({ label: 'Five', likelihood: resultToConvert.Five, topChoice: 0, ordinal: 5 })
    arrayToReturn.push({ label: 'Six', likelihood: resultToConvert.Six, topChoice: 0, ordinal: 6 })
    arrayToReturn.push({ label: 'Seven', likelihood: resultToConvert.Seven, topChoice: 0, ordinal: 7 })
    arrayToReturn.push({ label: 'Eight', likelihood: resultToConvert.Eight, topChoice: 0, ordinal: 8 })
    arrayToReturn.push({ label: 'Nine', likelihood: resultToConvert.Nine, topChoice: 0, ordinal: 9 })

    const byLikelihood=(x, y)=> x.likelihood < y.likelihood ? 1 : -1
    const byOrdinal=(x, y)=> x.ordinal < y.ordinal ? -1 : 1

    const topChoiceDesignation=(e, i, a)=> {
        e.topChoice=i===0 ? 1 : 0  // mark the first entry (index 0) as the top choice - we can do this because we've already sorted them to ensure that the top choice is the first item 
        return e
    }

    return arrayToReturn.sort(byLikelihood)
        .map(topChoiceDesignation)
        .sort(byOrdinal)
}

此函數(shù)接收預(yù)測(cè)數(shù)據(jù)（結(jié)果到轉(zhuǎn)換）并創(chuàng)建一個(gè)新數(shù)組（數(shù)組 ToReturn），其中包含可用于在 UI 中顯示結(jié)果的信息。我們的 DNN 返回的輸出將是一個(gè)具有 10 個(gè)屬性（零、一、二、三、四、五、六、七、八、九）的對(duì)象，每個(gè)屬性都有映射到它的概率（介于 0 和 1 之間）。

因此，例如，來(lái)自 DNN（結(jié)果到轉(zhuǎn)換參數(shù)）的預(yù)測(cè)有效負(fù)載可能如下所示（我們的 DNN 非常確信，無(wú)論它所看到的是什么，都是數(shù)字 4）：

// a possible payload for resultToConvert - this data came from the DNN
{
    Zero: 0.1927014673128724,
    One: 1.588071696460247,
    Two: 0.09038684074766934,
    Three: 0.0014367527001013514,
    Four: 94.81642246246338,
    Five: 0.8259298279881477,
    Six: 0.10091685689985752,
    Seven: 0.46726344153285027,
    Eight: 0.30299206264317036,
    Nine: 41.01988673210144
}

我們使用此輸出來(lái)構(gòu)建一個(gè)新數(shù)組，其中每個(gè)項(xiàng)目都有一個(gè)標(biāo)簽屬性（我們創(chuàng)建并分配單詞值，如“Zero”，“One”等），一個(gè)可能性屬性（存儲(chǔ)從該項(xiàng)的神經(jīng)網(wǎng)絡(luò)接收的概率），一個(gè)topChoice屬性（我們計(jì)算）和一個(gè)序號(hào)屬性（我們?yōu)槠滟x值，如 0， 1， 2-9）。

我們按可能性對(duì)數(shù)組進(jìn)行排序，以確定 DNN 的首選，然后使用此信息用 1（真）或 0（假）標(biāo)記該項(xiàng)目的 topChoice 屬性。作為最后一步，我們采用新構(gòu)造的數(shù)組并將其饋送到最終函數(shù) - arrayToHTML（） - 該函數(shù)將此信息包裝在HTML標(biāo)記中：

function arrayToHTML(arr) {
    let htmlToReturn=''
    htmlToReturn=arr.map(x=> {
        let styleToUse=x.topChoice===1 ? 'background-color: yellow;' : ''
        return `<div style="${styleToUse}">${x.label} Confidence: ${x.likelihood * 100}%</div>`
    }).join('')

    return htmlToReturn;
}

除其他操作外，此函數(shù)還對(duì)它收到的每個(gè)項(xiàng)目執(zhí)行檢查，以確定其 topChoice 屬性是否為 1。如果是，則用黃色標(biāo)記包裝項(xiàng)目。這是我們?cè)诰W(wǎng)頁(yè)上看到的突出顯示。

有了這個(gè)，我們已經(jīng)看到了從UI到DNN（作為用戶輸入）和再次返回（作為中繼到UI的DNN輸出）的完整往返。

步驟4. 建立 Brain.js 神經(jīng)網(wǎng)絡(luò)對(duì)象Set up Brain.js neural-network object

早些時(shí)候，我們指出，Brain.js庫(kù)使我們能夠創(chuàng)建的DNN對(duì)象需要一些設(shè)置才能使用它。我們將在這里詳細(xì)討論這個(gè)問(wèn)題。

在number-evaluator.html文件中，我們創(chuàng)建了一個(gè)名為 activate（）的函數(shù)。當(dāng) HTML 文檔最初加載時(shí)，這將觸發(fā)，并且我們?cè)诖撕瘮?shù)中定義、創(chuàng)建和訓(xùn)練 DNN。

我們通過(guò)調(diào)用 Brain.js庫(kù)中的 NeuralNetwork（）方法來(lái)做到這一點(diǎn)，就像這樣（brain是我們從 Brain.js 庫(kù)的本地副本中可用的變量，存儲(chǔ)在本地brain.js文件中）：

// setting up a BrainJS DNN object with two specified hyper parameters
ourNeuralNetwork=new brain.NeuralNetwork({
    activation: 'sigmoid',
    learningRate: 0.1
})

Hyper parameters 初始參數(shù)

當(dāng)數(shù)據(jù)科學(xué)家和機(jī)器學(xué)習(xí)工程師創(chuàng)建神經(jīng)網(wǎng)絡(luò)時(shí)，他們通常需要提供一組初始值，用于說(shuō)明網(wǎng)絡(luò)在訓(xùn)練時(shí)的運(yùn)行方式。這些初始值或參數(shù)稱為超參數(shù)。

它們控制神經(jīng)網(wǎng)絡(luò)調(diào)整學(xué)習(xí)方式的速度，在其隱藏層中使用哪種操作，以及許多其他方面。在其他語(yǔ)言和設(shè)置中，我們通常需要提供許多超參數(shù)來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。然而，有了Brain.js，我們根本不需要提供任何東西。如果省略任何超參數(shù)，該庫(kù)將提供默認(rèn)值。

在上面的示例中，我們指定了兩個(gè)超參數(shù)。第一個(gè)是一個(gè)名為激活的參數(shù)，我們已將其設(shè)置為 sigmoid。激活函數(shù)是神經(jīng)網(wǎng)絡(luò)在其隱藏層中執(zhí)行的東西，用于處理從一層到下一層的輸入。它們對(duì)于幫助神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)至關(guān)重要，因?yàn)樗鼈冇兄诳刂颇男┕?jié)點(diǎn)應(yīng)該繼續(xù)觸發(fā)，哪些節(jié)點(diǎn)應(yīng)該在每一層中保持沉默。乙狀體是一種激活函數(shù)。我們可以使用許多品種（ReLU，譚等）。每個(gè)激活函數(shù)都有自己的優(yōu)點(diǎn)和缺點(diǎn)。使用 sigmoid 對(duì)于分類之類的事情特別有用，這是我們?cè)诒窘坛讨幸獙?shí)現(xiàn)的目標(biāo)。

我們指定的另一個(gè)超參數(shù)是學(xué)習(xí)速率。學(xué)習(xí)速率決定了神經(jīng)網(wǎng)絡(luò)在嘗試創(chuàng)建有用的預(yù)測(cè)模型時(shí)（即，當(dāng)它試圖學(xué)習(xí)如何區(qū)分3和7時(shí)）調(diào)整其值的速度（或速度）。

指定學(xué)習(xí)速率，就像指定其他超參數(shù)一樣，既是藝術(shù)，也是科學(xué)：如果將速率設(shè)置得太低，您的網(wǎng)絡(luò)可能需要不可接受的時(shí)間來(lái)訓(xùn)練，例如，如果您在云服務(wù)上租用GPU，這可能會(huì)產(chǎn)生真正的財(cái)務(wù)后果;如果您將速率設(shè)置得太高，您的網(wǎng)絡(luò)可能永遠(yuǎn)不會(huì)收斂到所謂的“全局最小值”（解決方案）。

時(shí)間和實(shí)踐將使您能夠掌握良好的初始值是什么樣子的。

步驟5.訓(xùn)練神經(jīng)網(wǎng)絡(luò) Training our neural network

我們一直在談?wù)撋窠?jīng)網(wǎng)絡(luò)的學(xué)習(xí)以及我們必須如何訓(xùn)練它，但這意味著什么，它看起來(lái)是什么樣子的？在我們的教程應(yīng)用程序的上下文中，培訓(xùn)如下所示：

const ourTrainingData=getTrainingData()
ourNeuralNetwork.train(ourTrainingData)

訓(xùn)練是 DNN 工作原理的基礎(chǔ)。通常，它的完成方式是使用監(jiān)督學(xué)習(xí)方法：我們提供一個(gè)數(shù)據(jù)集，其中包含示例輸入和答案（或標(biāo)簽，有時(shí)也稱為真實(shí)標(biāo)簽），用于描述該數(shù)據(jù)行的正確分類。當(dāng)我們訓(xùn)練一個(gè)DNN（大腦.js允許我們從有用的命名train（）方法開(kāi)始，它使用這些標(biāo)簽來(lái)幫助它學(xué)習(xí)。

步驟 6. 準(zhǔn)備訓(xùn)練數(shù)據(jù)Train the data

查看 getTrainingData() 函數(shù)，我們可以知道DNN具體是如何工作的。

Brain.js允許我們通過(guò)訓(xùn)練數(shù)據(jù)來(lái)指定我們的輸入數(shù)據(jù)將是什么樣子的，以及我們希望從神經(jīng)網(wǎng)絡(luò)中看到什么樣的輸出。它的主要要求是我們提供輸入和輸出屬性。有關(guān)詳細(xì)信息，請(qǐng)參閱“訓(xùn)練選項(xiàng)”下的“大腦.js GitHub 存儲(chǔ)庫(kù)”。

下面是訓(xùn)練數(shù)據(jù)樣例

{ "input": [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 1, 1, 1, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
    "output": { 
        Zero: 1, 
        One: 0, 
        Two: 0, 
        Three: 0, 
        Four: 0, 
        Five: 0, 
        Six: 0, 
        Seven: 0, 
        Eight: 0, 
        Nine: 0 
        } 
    }

訓(xùn)練識(shí)別概率

{
    Zero: 0.1927014673128724,
    One: 1.588071696460247,
    Two: 0.09038684074766934,
    Three: 0.0014367527001013514,
    Four: 94.81642246246338,
    Five: 0.8259298279881477,
    Six: 0.10091685689985752,
    Seven: 0.46726344153285027,
    Eight: 0.30299206264317036,
    Nine: 41.01988673210144
}

自己創(chuàng)建訓(xùn)練數(shù)據(jù)

通過(guò)手寫板準(zhǔn)備數(shù)據(jù)，

Summary 總結(jié)

本文中，我們展示了如何使用 JavaScript 實(shí)現(xiàn)和訓(xùn)練 DNN，這要?dú)w功于brain.js庫(kù) - 通常需要 Python 和 Keras、Pytorch 或 TensorFlow 等庫(kù)的任務(wù)。

我們證明了一個(gè)有效的數(shù)字識(shí)別器可以用令人驚訝的少代碼創(chuàng)建。我們學(xué)習(xí)了機(jī)器學(xué)習(xí)的一些基本構(gòu)建塊和實(shí)踐，例如為DNN指定學(xué)習(xí)速率和激活函數(shù)（以及其他超參數(shù)）。

希望本文已經(jīng)向您展示，在沒(méi)有經(jīng)驗(yàn)的情況下開(kāi)始使用AI和機(jī)器學(xué)習(xí)不僅是可能的，而且在像JavaScript這樣的熟悉語(yǔ)言中也是可行的。