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。
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。
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。
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：