function generateRandomRgbColors(m) {
const rawInputs = [];
for (let i = 0; i < m; i++) {
rawInputs.push(generateRandomRgbColor());
}
return rawInputs;
}
function generateRandomRgbColor() {
return [
randomIntFromInterval(0, 255),
randomIntFromInterval(0, 255),
randomIntFromInterval(0, 255),
];
}
function randomIntFromInterval(min, max) {
return Math.floor(Math.random() * (max - min + 1) + min);
}

generateRandomRgbColors() 函數創建給定大小為 m 的部分數據集。數據集中的數據點是 RGB 顏色空間中的顏色。每種顏色在矩陣中被表征為一行，而每一列是顏色的特征。特征是 RGB 空間中的 R、G、B 編碼值。數據集還沒有任何標簽，所以訓練集并不完整，因為它只有輸入值而沒有輸出值。

由于基于已知顏色生成可使用字體顏色的編程方法是已知的，因此可以使用調整后的功能版本以生成訓練集（以及稍后的測試集）的標簽。這些標簽針對二分類問題進行了調整，并在 RGB 空間中隱含地反映了黑白的顏色。因此，對于黑色，標簽是 [0,1]；對于白色，標簽是 [1,0]。

function getAccessibleColor(rgb) {
let [ r, g, b ] = rgb;
let color = [r / 255, g / 255, b / 255];
let c = color.map((col) => {
if (col <= 0.03928) {
return col / 12.92;
}
return Math.pow((col + 0.055) / 1.055, 2.4);
});
let L = (0.2126 * c[0]) + (0.7152 * c[1]) + (0.0722 * c[2]);
return (L > 0.179)
? [ 0, 1 ] // black
: [ 1, 0 ]; // white
}

現在你已經準備好一切用于生成（背景）顏色的隨機數據集（訓練集、測試集），它被分類為黑色或白色（字體）顏色。

function generateColorSet(m) {
const rawInputs = generateRandomRgbColors(m);
const rawTargets = rawInputs.map(getAccessibleColor);
return { rawInputs, rawTargets };
}

使神經網絡中底層算法更好的另一步操作是特征縮放。在特征縮放的簡化版本中，你希望 RGB 通道的值在 0 和 1 之間。由于你知道最大值，因此可以簡單地推導出每個顏色通道的歸一化值。

function normalizeColor(rgb) {
return rgb.map(v => v / 255);
}

你可以把這個功能放在你的神經網絡模型中，或者作為單獨的效用函數。下一步我將把它放在神經網絡模型中。

JavaScript 神經網絡模型的設置階段

現在你可以使用 JavaScript 實現一個神經網絡了。在開始之前，你需要先安裝 deeplearn.js 庫：一個適合 JavaScript 神經網絡的框架。官方宣傳中說：「deeplearn.js 是一個開源庫，將高效的機器學習構造塊帶到 web 中，允許在瀏覽器中訓練神經網絡或在推斷模式下運行預訓練模型。」本文，你將訓練自己的模型，然后在推斷模式中運行該模型。使用該庫有兩個主要優勢：

首先，它使用本地電腦的 GPU 加速機器學習算法中的向量計算。這些機器學習計算與圖解計算類似，因此使用 GPU 的計算比使用 CPU 更加高效。
其次，deeplearn.js 的結構與流行的 TensorFlow 庫類似（TensorFlow 庫也是谷歌開發的，不過它使用的是 Python 語言）。因此如果你想在使用 Python 的機器學習中實現飛躍，那么 deeplearn.js 可提供通向 JavaScript 各領域的捷徑。

現在回到你的項目。如果你想用 npm 來設置，那么你只需要在命令行中安裝 deeplearn.js。也可以查看 deeplearn.js 項目的官方安裝說明文檔。

npm install deeplearn