大前端技术系列：TWA技术+TensorFlow.js => 集成原生和AI功能的app

(

本文内容为melodyWxy原作，git地址：https://github.com/melodyWxy/twa-tf.js ，

)

什么是TWA

简单来讲，TWA(Trusted Web Activity 可信任的网络应用）即: 基于Chrome Custom Tabs，利用谷歌浏览器提供的api，实现强大功能的桌面应用技术。

如果说你对PWA这个概念有所了解，那么TWA的实现就相当于 PWA + 更丰富的原生API(以实现强大的原生功能)。

如果上面的描述，你依然没有清晰的认知，那么请先阅读下面的PWA和Chrome Custom Tabs介绍，然后再回过头来看这段解释。

什么是PWA

PWA(Progressive Web Application)，译渐进式网络应用程序，它起初的含义是追求性能无限接近原生app的webapp。

现在它有了更官方的定义：PWA是一种可以提供类似于原生应用程序(native app)体验的网络应用程序(web app)。

whatever，差不多的意思。

PWA可以用来做很多事，包括在离线(offline)时应用程序能够继续运行功能(通过Service Workers技术实现)，以及作为桌面上的一个单独的app(web app)。

如果你对service workers技术尚不太了解，那么你暂时只需要知道它的作用——可以提供离线加载的功能。当然，或许你应该更深入地去学会应用它。

PWA的特性

那么通过上述PWA的概念，我想我们可以推断出PWA的以下特性：

优化的性能(你可以通过分包按需加载等一万种方式来优化你的web应用，可以参考雅虎军规等一系列优化标准)
可以作为一个单独的app(桌面应用-native的能力)
也可以作为网页被浏览器打开(h5的能力)
离线模式(集成了Service Workers)
在线更新内容，不用下载包(h5的能力)

那么到现在为止，你应该理解了PWA是个什么东西————我们甚至可以称它为桌面H5应用。

TWA的特性

那么我们回过头来思考TWA应该具备怎样的特性，在这之前，我这里写了这样一个公式：

PWA + js Bridge(由谷歌浏览器提供的调用更底层能力的api) == TWA

这里抛出一个问题，native app和web app的最大的表现区别在哪？

我认为，是native app可以直接调用操作系统api的能力。

那么这时候，TWA的特性应当很自然地被我们推断出来：

优化的性能(你可以通过分包按需加载等一万种方式来优化你的web应用，可以参考雅虎军规等一系列优化标准)
可以作为一个单独的app(桌面应用-native的能力)
也可以作为网页被浏览器打开(h5的能力)
离线模式(集成了Service Workers)
在线更新内容，不用下载包(h5的能力)
(调用)操作系统能力集成（native的能力）

所以说 TWA是集成native-app和web-app优点的app应用技术。

于是，我们大概知道TWA是个怎样的东西了。

但是我们仍然需要继续看下面对Chrome Custom Tabs的介绍，这方面我们更容易理解后面的实现流程。

Chrome Custom Tabs

这里先放一个官方介绍链接: Chrome Custom Tabs

Chrome Custom Tabs，译谷歌自定义标签(或者谷歌定制标签)。

某方面来讲，它跟webview所做的事情相去不远。

webview的特点

我们要必要了解下webview的一些特征，以便分析CCT和webview不同的应用场景：

webview的优点

展示大小可以自由控制，可以全屏幕展示，也可以只展示在一定屏幕空间内。
可方便的与 native 进行交互(webView.addJavascriptInterface => jsBridge)。
可以使用 Service workers（这个上面提到过了，这里说下微拍堂app，应用的也是webview，并且也集成了这个功能）

webview的缺点

Wevbiew 是一个独立的安全沙盒，这意味着 cookie、storage 都不会与其他浏览器中的页面共享。

（这意味着WebView不会与浏览器共享状态并会因此增加维护开销。）
在低版本的安卓系统中，webivew 是不会随着 Chrome 进行更新的。
最后，Webview 中的 API 支持是有限的，例如以下 API 在 Webview 不被支持:

web push notifications

background sync

Chrome form autofill

Media Source Extensions (MSE)

Sharing API

Chrome Custom Tabs的特征

相较于webview，Chrome Custom Tab的特征：

优点

可让应用更好地控制其网络体验，并且无需借助WebView即可在本机内容和网络内容之间无缝切换；
可让应用自定义Chrome的外观和风格；
应用可以更改以下内容：

工具栏颜色

输入和退出动画

将自定义操作添加到Chrome工具栏，溢出菜单和底部工具栏
Chrome自定义标签还允许开发人员预先启动Chrome并预取内容，以加快加载速度。(这是一个强大的功能，提供的warmup函数, 可以预先解析DNS。尽管html5标准里也有所实现:pre-xx属性。)

缺点

基于谷歌浏览器嘛，所以必须依赖谷歌浏览器打开。

自Chrome 45中，Chrome的自定义选项卡现已全面上市，给所有用户的Chrome，在所有Chrome的支持的Android版本（杰利贝恩起）。

Chrome Custom Tabs的应用场景

(这部分内容来源于上面的官方链接)

如果您要在应用程序中托管自己的内容，则WebView是很好的解决方案。如果您的应用将用户定向到您域外的URL，则出于以下原因，我们建议您使用Chrome自定义标签：

易于实现。无需构建代码即可管理请求，权限授予或cookie存储。
用户界面自定义：

工具栏颜色
动作按钮
自定义菜单项
自定义输入/输出动画
底部工具栏

导航意识：浏览器在外部导航时向应用程序提供回调。
安全性：浏览器使用Google的安全浏览来保护用户和设备免受危险站点的侵害。
性能优化：

在后台预热浏览器，同时避免从应用程序中窃取资源。
预先向浏览器提供可能的URL，这可能会执行推测性工作，从而加快页面加载时间。

生命周期管理：浏览器通过将应用程序的重要性提高到“前景”级别，从而防止应用程序被系统驱逐。
共享的cookie jar和权限模型，因此用户不必登录到他们已经连接的站点，也不必重新授予他们已经授予的权限。
如果用户打开了Data Saver，他们仍然会从中受益。
跨设备同步自动完成，以更好地完成表格。
简单的定制模型。
轻按一下即可快速返回到应用程序。
您想在Lollipop之前的设备（自动更新WebView）上使用最新的浏览器实现，而不是较旧的WebView。

TWA技术

当我们了解了 Chrome Custom Tabs，那么我们就很容易理解TWA技术所做的事情了：

基于Chrome Custom Tabs，隐藏掉地址栏的PWA应用，即为TWA。

你看多简单。

附上官方文档： TWA官方文档

TWA应用的具体实现流程

那么，介绍完TWA，那么我们就讲讲它的实现流程，并且去配合我们的工具和代码去实现它。

实现TWA，我们不需要编写Java代码，但需要Android Studio这个工具。

这里直接附上官方文档：

Android Studio 下载地址
Android Studio 安装文档

注意：这个工具包(安卓原生编译器)还是挺大的，mac版的700多m。调试方案一般有两种，第一种下载安装虚拟机(包比较大)进行效果预览，第二种直接USB连接真机调试。在下方贴出的Android Studio官方用户指南链接里，有更具体的调试方式。

ok，在download的过程中，泡杯咖啡或者泡杯茶，然后打开下方的官方链接了解一下它吧：

Android Studio官方用户指南

创建TPA应用

那么，如果你已经下载并安装完毕，那么我们将真正意义上进入开发流程。

值得一提的是：依赖Android Studio这个工具，以及几个写死的配置项，让我们可以屏蔽掉安卓原生层进行TPA的内容开发。但是如果想更深层地掌握TWA技术的话，那么还是需要多了解下安卓原生开发。

当然，在这里我们并不需要去做这些事。用熟悉的技术，屏蔽不熟悉的技术，完成其他端的内容开发，正是混合开发的意义所在。

那么，请仔细按照下方的步骤逐渐实现：

步骤流程

这是官方文档的中文翻译最好的一版。

你可能会遇到以下问题：
adb命令无法使用 => 安装并配置path

亲测嵌过内容w.weipaitang.com(微拍堂官方网站),真机上性能非常强大。

[这里是个标记:演示整个整个步骤流程]

TensorFlow.js (tf.js)

TensorFlow.js是TensorFlow在js的实现。

而TensorFlow则是AI > 机器学习 > 深度学习的一个框架。(后者是前者的子集)

以下内容均来自于下文：

深度学习

我们先来了解下 AI、机器学习、深度学习这三个概念：

简单来讲， AI 就是我们所说的人工智能领域；

而机器学习是属于实现 AI 的一种策略；

而深度学习是属于实现机器学习的一种方式;

用一张图片来表达是这样的：

如上图可见，深度学习是机器学习的一个分支，而机器学习是AI的一个分支。

我们再简单了解下它们的学术性概念和相关方法论。

什么是机器学习

我们有必要先重新认知下“学习”这个概念：

赫伯特·西蒙教授（Herbert Simon，1975年图灵奖获得者、1978年诺贝尔经济学奖获得者）曾对“学习”给了一个定义：“如果一个系统，能够通过执行某个过程，就此改进了它的性能，那么这个过程就是学习”。

而机器学习的概念则是：

对于某类任务（Task，简称T）和某项性能评价准则（Performance，简称P），如果一个计算机程序在T上，以P作为性能的度量，随着很多经验（Experience，简称E）不断自我完善，那么我们称这个计算机程序在从经验E中学习了。

那么，根据上述的概念，我们知道，对于一个机器学习的问题，我们要明确这三个概念：

任务的类型(T)
衡量任务性能提升的标准(P)
获取经验的来源(E)

机器学习的方法论

e(数据来源作为起始端) => e(end，结束端)

中间的过程？

机器学习的方法论就是始端直接到末端，中间过程是不可知的，并且因此难以知 ===> 这就是机器学习。

所以也有很多人批判深度学习是一个黑盒系统，它的性能很好，但却不知道为何而好，也就是说，缺乏解释性。

传统的机器学习方式，通常是用人类的先验知识，把原始数据预处理成各种特征（feature），然后对特征进行分类。

然而，这种分类的效果，高度取决于特征选取的好坏。传统的机器学习专家们，把大部分时间都花在如何寻找更加合适的特征上。

为什么会是黑盒

机器学习的专家们发现，可以让神经网络自己学习如何抓取数据的特征，这种学习的方式，效果更佳。于是兴起了特征表示学习（feature representation learning）的风潮。

这种学习方式，对数据的拟合也更加的灵活好用。于是，人们终于从自寻“特征”的中解脱出来。

但这种解脱也付出了代价，那就是机器自己学习出来的特征，它们存在于机器空间，完全超越了人类理解的范畴，对人而言，这就是一个黑盒世界。为了让神经网络的学习性能，表现得更好一些，人们只能依据经验，不断地尝试性地进行大量重复的网络参数调整。

深度学习

再后来，网络进一步加深，出现了多层次的“表示学习”，它把学习的性能提升到另一个高度。这种学习的层次多了，就给它取了个特别的名称——Deep Learning（深度学习）。

我们不训练模型，我们只做模型的搬运工

上面的概念知识如果你没有看懂(这是大概率的事情)，那么无妨，因为我们的目的并不是训练出针对某种任务类型的模型，而是在应用内集成某种任务的AI能力,因此我们并不需要训练，只需“搬运”即可。

即：我们引入别人训练好的模型，通过框架的api给它导入参数，并让它返回res。我们并不需要关心它的实现。

所以本次分享主题的由来：

由于客户端的限制(主要是性能考虑)，所以这些由机器学习(框架+模型)构建的功能，大多情况是我们把入参数据发送到服务端，让服务端来处理数据，把res返回到客户端。
这样做无疑会带来以下几点问题：

用户的隐私不能得到保证(入参会经过网络传输到服务端)；
返回数据的用时依赖网速；
服务端压力大(入参数据大，计算res的过程依赖CPU，高并发情况下会对服务器性能要求较高)；

由于html5新增的功能(webGL)和越来越强大的性能(环境日益改善)，一些可以运行在客户端的小型但又强大的机器学习框架衍生出来(比如tensorflow.js)，可以在客户端完成这些功能。好处也是显而易见的：

用户的隐私得到了保证；
不依赖网速，依赖客户端的性能；
所以不会对服务端造成任何压力；

综上所述机器学习很牛逼，属于大前端领域的一个支线技能。

损失：模型计算出的结果与实际会有误差

举个例子：

小明想一夜暴富，于是他想预测下次的彩票开奖结果。

那么他确定了任务类型：预测下次彩票开奖的结果。

于是小明向好基友AI大佬小华求助。

于是小华把训练好的模型给了小明，告诉他，只要对模型入参(E)开奖的日期"yyyy-mm-dd"，就会得出一个开奖结果(E)"x x x x x x x x" ;

于是小明就上车了。

小明第一次入参 2019-11-07，得出结果： 1 2 3 4 5 6 7

小明坚信不疑，当场花了两元巨款，结果第二天就发现打了水漂——因为开奖结果是： 2 9 8 6 6 4 4

小明就问小华怎么回事，经过小华的解释，小明明白了：

损失

实际输出值和预期输出值之间存在着“误差”，这种“误差”在AI术语里被称作loss(损失)。而模型训练师们，也是把loss当做训练的把手。(loss值越小，说明模型训练的越成功嘛)

所以我们在使用模型的时候，未必能得出正确的答案。因为模型得出的结果会存在loss。

比如说，前阵子公司里app组的大佬们写了一个程序员鉴定 app。入参人物图像，得出图像中人物为程序员的概率。

经过大家的鉴定，有些结果与现实存在一定误差。

什么是Tensorflow.js？

TensorFlow.js是一个开源的基于硬件加速的JavaScript库，用于训练和部署机器学习模型。谷歌推出的第一个基于TensorFlow的前端深度学习框架TensorFlow.js 是一个开源的用于开发机器学习项目的 WebGL-accelerated JavaScript 库。TensorFlow.js 可以为你提供高性能的、易于使用的机器学习构建模块，允许你在浏览器上训练模型，或以推断模式运行预训练的模型。TensorFlow.js 不仅可以提供低级的机器学习构建模块，还可以提供高级的类似 Keras 的 API 来构建神经网络。

Tensorflow.js的优点：

不用安装驱动器和软件，通过链接即可分享程序
网页应用交互性更强
有访问GPS，Camera，Microphone，Accelerator，Gyroscope等传感器的标准api（主要是指手机端）
安全性，因为数据都是保存在客户端的

TensorFlow.js的应用方式：

在浏览器中开发ML

使用简单直观的API从头构建模型，然后使用低级别的JavaScript线性代数库或高层API进行训练。

运行现有模型 ~~~我们不生产模型，我们只是模型的搬运工

使用TensorFlow.js模型转换器在浏览器中运行预训练好的TensorFlow模型。

重新训练现有模型

使用连接到浏览器的传感器数据或其他客户端数据重新训练ML模型。

tfjs 训练模型

// to https://github.com/melodyWxy/twa-tf.js/blob/master/tfjs_0.html

存储

// to https://github.com/melodyWxy/twa-tf.js/blob/master/tfjs_1.html

//  model.save();

// 本地存储（浏览器）   localstorage://

await model.save('localstorage://my-model-1');

// IndexedDB（浏览器） indexeddb://

await model.save('indexeddb://my-model-1');

//IndexedDB 是大多数主流Web浏览器支持的另一个客户端数据存储。与本地存储不同，它更好地支持存储大型二进制数据（BLOB）和更大的配额。因此，tf.Model与本地存储相比，保存到IndexedDB通常可以提供更好的存储效率和更大的大小限制。

// 触发文件下载到客户端本地保存（浏览器） downloads://

await model.save('downloads://my-model-1');     //json + 一个二进制文件

// HTTP请求（浏览器） http:// 要么 https://   POST请求的主体具有一个名为的格式 multipart/form-data。它是用于将文件上载到服务器的标准MIME格式。正文由两个文件组成，文件名model.json和文件名 model.weights.bin。

await model.save('http://model-server.domain/upload');   //简单的写法

await model.save(tf.io.browserHTTPRequest(       //更详细的写法，便于控制post需求

    'http://model-server.domain/upload',

    {method: 'PUT', headers: {'header_key_1': 'header_value_1'}}));

// 文件系统（Node.js）   file://              node-tf.js node端本地生成文件储存

await model.save('file:///tmp/my-model-1');

js导入模型

// to https://github.com/melodyWxy/twa-tf.js/blob/master/tfjs_2.html

    // tf.loadModel

    const model = await tf.loadModel('https://foo.bar/tfjs_artifacts/model.json');

    // tf.loadLayersModel 导入Layers模型

    const model = await tf.loadLayersModel('https://foo.bar/tfjs_artifacts/model.json');

tfjs导入模型的方式

// to https://github.com/melodyWxy/twa-tf.js/blob/master/tfjs_2.html

layers 转 Keras

转keras是为了让python用在python环境下下载tensorflowjs这个转换器，即可将js-layers格式的模型转为python-keras模型

方案：

使用该file://方案将模型直接写入Node.js中的本机文件系统。使用tensorflowjs转换器，您可以将这些文件转换为HDF5格式，然后可以将其加载到Python中的Keras中。例如：

pip install tensorflowjs

tensorflowjs_converter \

    --input_format tensorflowjs --output_format keras \

    ./my-model-1.json /tmp/my-model-1.h5

通过文件从Web浏览器下载，使用该downloads://方案

tfjs官方模型社区资源

https://github.com/tensorflow/models/tree/master/research/slim

最后，如果你觉得这篇文章对你的知识广度和技术栈有所拓展，也许可以请笔者喝一杯咖啡？