Propel 是一个新推出的 JavaScript 科学计算库，它使用图形处理器来支持 JavaScript 中的机器学习和科学计算。 虽然机器学习默认使用 Python 开发，但是 JavaScript 的使用也越来越流行。Propel 致力于缩短 Python 和 JavaScript 之间的计算差距。 Propel 提供了一种类似 NumPy 系统的工具。Ryan Dahl 是 Propel 和 Node.js 的创始人，据他所说，“JavaScript 是一种快速的，动态的语言。因此我们认为它可以作为所有语言开发者理想的工具。” 从这一点来看，Dahl 并不是孤军奋战。因为有很多其他项目，包括 brain.js, ConvNetJS, deeplearn.js, math.js, mljs, Natural, Synaptic 以及 Webdnn, 它们都在尝试改善 JavaScript 中的科学计算和机器学习。 Propel 能够在多个环境中运行，但是由于性能原因，如果需进行密集型计算，更推荐使用 Node.js。 使用 Propel 需要依赖一些基础的技术。web 版本的 Propel 需要调用到 WebGL 模型和 deeplearn.js。Node.js 版本的 Propel 需要调用 TensorFlow 的 C 语言 API，并且支持多个图形处理器和 TCP 连接的定位。相比而言，web 版本更多的用于演示或者直接计算。 关于机器学习方面，Propel 鼓励开发者在服务器端创建机器学习模型，然后快速部署到浏览器就可以看到一个神经网络的示例。 Propel 是用 TypeScript 编写的，同时推荐使用 ts-node，因为它给 TypeScript 提供了运行环境，给 Node.js 提供了简单的交互环境。安装 Propel 非常简单，在 Node.js 中，执行以下命令行： npm install propel 如果想要查看 Node.js 中的示例，执行以下命令行： npm install -g ts-node ./tools/build.js ts-node ./example.ts 在浏览器中加入以下优化的 JavaScript 包： <script src=“https://unpkg.com/propel@3.1.0”></script> 如果想要在 Node.js 或者 web 项目的源码中加入 Propel 库，使用 ES 语法从 Propel 中导入相应的模块即可，例如： import { grad, linspace, plot } from “propel”; 作为一个新开发的库，Propel 还不是很稳定。欢迎大家通过 GitHub 来帮助我们完善它。 https://github.com/propelml/propel