大約兩週前，Google 發布了 Teachable Machine，各大科技網路媒體以各種噱頭標題爭相報導：「不用寫程式，只要鏡頭，Google 最新專案讓你三分鐘搞懂機器學習」我想，作為 deeplearn.js 的推廣應用，Teachable Machine 真的起到了很大的作用，關於 Teachable Machine，大家可以觀看示範影片，或是閱讀 Google 官方網誌文章。
deeplearn.js
deeplearn.js 大約在今年八月發布的，一個使用硬體加速的機器學習套件，使用 TypeScript，官網提供的應用範例，除了這次的 Teachable Machine 以外，還有
- Performance RNN：一個結合 magenta 與 deeplearn.js 的範例，將 magenta 使用 tensorflow 訓練的結果，移植到 deeplearn.js 並在瀏覽器執行。
- model-builder：讓我們可以在瀏覽器訓練模型的範例，輸入資料可以選 MNIST、Fashion MNIST、CIFAR 10，模型的部分可以選 Fully Connected、Convolutional、或是自己建構，還有一些參數可以設定，畫面右邊則是訓練過程的視覺化呈現。
- imagenet：用 webcam 作為輸入的即時 imagenet 辨識，也可以選擇幾個內建的圖片做測試。
- nn-art：是一個 CPPN 的應用，看名字還以為會是之前那個紅極一時的 nerual art style 勒。
- benchmark：故名思議就是跑效能數據的一個應用。按下想要測試的運算，會執行小量的測試，給出執行時間，以及 CPU 和 GPU 執行時間的差異。
至此，我們可以理解，有了 deeplearn.js 作為基礎，Teachable Machine 可以在瀏覽器執行，有了硬體加速，Teachable Machine 運算時間更短，因此可以有即時的反應。但是訓練模型呢？看到這種少量訓練資料的應用，第一個反應就是 pre-trained model，不過各個 pre-trained 深度學習模型的檔案都太大了，不適合網頁應用，這個載入時間看似也沒有下載體積龐大的檔案。於是，在 Teachable Machine 的原始碼裡我們找到了答案。
SqueezeNet
根據 SqueezeNet 論文的標題表明，這是一個精準度媲美 AlexNet，但是參數量小 50 倍，檔案大小不足 0.5 MB 的模型，這裏有一篇簡中的簡短介紹，文中包含數據的比較表，或是有興趣的朋友可以進一步參考該專案的 Github 頁面。
Teachable Machine
拼出 Teachable Machine 的四塊拼圖
- 瀏覽器端的機器學習套件
- 運算使用硬體加速
- 小體積的預訓練模型
- 可接受的精準度
再加上從 Performance RNN 範例中，看到 TensorFlow 移植到 deeplearn.js 的實現方式，我感覺，行動網頁端 AI 應用發展門檻基本已經消失，當然在程式碼以及模型的維護方面還有一些議題需要研究，但是整體可行性已經相當高了。