一种新型JavaScript库近日面世，它利用现代Web浏览器中的硬件加速图形API，运行网页内的神经网络。该网络可以把任何名画的风格，应用到你的照片中。到底是个啥样子呢？对比下面的两张照片，你就明白了。

[出自:jiwo.org]

什么是图像风格迁移神经网络？

大家会说，这不就是个风格滤镜嘛？小编理解，这东西厉害的地方，就是能够从任何图像上学习它的纹理和风格，然后应用到其它图像上，类似下面的过程，

这样的过程如果应用 到人脸识别 ，进一步说这种方法如果可以应用到欺骗机器学习模型上，那…… 知乎上有文章深入分析，并称风格迁移的元年是在2012年开始的：

https://zhuanlan.zhihu.com/p/26746283

动态演示地址在这里

https://tenso.rs/demos/fast-neural-style/

该款名 为TensorFire的产品 由麻省理工学院（MIT）的一个研究生团队开发。它可以在任何GPU（图形处理器）中运行TensorFlow形式的机器学习模型，而无需像Keras-js之类的机器学习库那样针对不同GPU要求不同的中间件。

TensorFire让机器学习离普通大众又近了一步。和之前的其他库相比，它仅需要一小部分资源，就能进行精确的模型预测，且利用的是用户已有的软硬件。

机器学习与浏览器的结合

TensorFire基于WebGL标准运行，这是一种跨平台系统，用于渲染浏览器中的GPU加速图形。WebGL支持GLSL（OpenGL着色语言），后者是用于编写着色器（直接转换GPU中数据的简短程序）的类C语言。

着色器一般在WebGL管线中用以处理图形渲染，例如，渲染阴影或其他视觉效果。不过，TensorFire运行着色器是为了并行计算的需要，目的是根据TensorFlow模型进行预测。TensorFire还有一个内置库，用于导入现有TensorFlow和Keras模型。

用户可以使用这个框架在Web浏览器中直接部署训练后模型，实现本地预测。用户无需下载、安装或进行任何编译；所有的操作都是直接在浏览器中完成的。用于预测的数据也完全由客户端处理。对GPU品牌也没有要求：AMD和Nvidia的GPU均可。

对TensorFire进行网络演示，可以看到，在风格迁移神经网络中，图片风格与图片对应。演示中最慢的部分是下载模型，编译着色器管线；实际运行中大约仅耗时一两秒钟。

TensorFire的开发者声称，它比其他方案要快。在GPU和CPU之间传输数据一般对性能影响最大，所以TensorFire一次在GPU中存放尽量多的数据，以避免影响性能。

TensorFire可移植性非常好

TensorFire方法最突出的好处在于其方便且可移植。现代Web浏览器能运行在大多数操作系统和硬件平台上，甚至是低端的智能手机也会提供超大GPU空间。要从机器学习模型中获取有用结果，主要工作是搭建机器学习管线，进行训练或预测。这个流程可归结为打开Web浏览器，点击某处，至少对某些类型的工作来说是如此。

TensorFire开发者声称TensorFire还有一个优势，那就是可完全在客户端部署预测。若训练后模型和数据已部署在云中，这就不算什么优势了。但是，若已部署模型较小，数据在客户端侧，用户不喜欢上传东西，这就的确是个优势。

TensorFire的第三个优势是，理论上说，它放宽了机器学习对显卡品牌的限制，这得益于Nvidia和AMD GPU的高速度。

一直以来，Nvidia的CUDA标准是通过GPU加速机器学习的首选标准，与更为开放的OpenCL标准（支持多种硬件）相比，可提供更好的性能。AMD已计划改善OpenCL的性能问题，但TensorFire却让用户和开发人员干脆避开了这个问题。

TensorFire还利用了一个趋势：让机器学习模型更为紧凑、高效，在精度方面仅有少量（一般无法察觉）损失。这种“低精度量子化张量”方法意味着模型更小，可被部署在客户端，进行更快的预测。

TensorFire开发人员称，“低精度量子化张量”方法使软件可运行在更多类型的GPU和浏览器中，这对于只支持有限种类WebGL扩展的GPU和浏览器来说更有意义。

最后，TensorFire团队计划在得到麻省理工学院许可后以开源项目发布该库，这样，更多的应用—包括与TensorFlow或机器学习无关的应用—可以如TensorFire一样得到加速。该框架的开发者表示，TensorFire的底层GLSL API“还可以用来做任意的并行通用计算”，这意味着可基于该API在具有GPU加速的浏览器内构建客户端侧计算能力。