Hello，大家好，有一段时间不见了。

这次主要给大家带来一个好东西，它的主要用途就是能让大家在 Node.js 中使用 Python 的接口和函数。可能你看到这里会好奇，会疑惑，会不解，我 Node.js 大法那么好，干嘛要用 Python 呢？如果你之前尝试了解过一些机器学习的 JavaScript 的应用，就会比较清楚这背后的原因。

现状是机器学习生态几乎是捆绑在 Python 这门语言在高速迭代着的，而 JavaScript 只能望其项背，如果我们期望从零做到 Python 如今的规模，需要付出的工作量是巨大的，这个我在几年前写了 tensorflow-nodejs 的时候，就已经这么觉得了。

所以，我们就必须换一个思路，既然无法超越你，那么就利用你。对于脚本语言的开发者来说，其实并不在意底层是如何实现的，只要上层的语言和接口是我熟悉的就好，因此 Boa 就是为此而诞生的一个 Node.js 库，它通过桥接 CPython 来让 JavaScript 具备访问 Python 生态的能力，另外又借助于 ES6 新特性，来为使用者提供无缝的开发体验，那么到底是如何的体验呢？

下面来看一个简单的例子：

const boa = require('@pipcook/boa');
const os = boa.import('os');
console.log(os.getpid()); // prints the pid from python.

// using keyword arguments namely `kwargs`
os.makedirs('..', boa.kwargs({
  mode: 0x777,
  exist_ok: false,
}));

// using bult-in functions
const { range, len } = boa.builtins();
const list = range(0, 10); // create a range array
console.log(len(list)); // 10
console.log(list[2]); // 2

是不是很简单呢，只需要通过 boa.import 将 Python 的对象加载进来后，剩下的对象访问、函数调用以及数组访问都与我们使用 JavaScript 毫无区别。

const boa = require('@pipcook/boa');
const { len, tuple, enumerate } = boa.builtins();
const torch = boa.import('torch');
const torchtext = boa.import('torchtext');
const { nn, optim } = torch;

class TextSentiment extends nn.Module {
  constructor(sizeOfVocab, dimOfEmbed, numOfClass) {
    super();
    this.embedding = nn.EmbeddingBag(sizeOfVocab, dimOfEmbed, boa.kwargs({
      sparse: true,
    }));
    this.fc = nn.Linear(dimOfEmbed, numOfClass);
    this.init_weights();
  }
  init_weights() {
    const initrange = 0.5
    this.embedding.weight.data.uniform_(-initrange, initrange);
    this.fc.weight.data.uniform_(-initrange, initrange);
    this.fc.bias.data.zero_();
  }
  forward(text, offsets) {
    const embedded = this.embedding(text, offsets);
    return this.fc(embedded);
  }
}

上面的例子除了示例了如何从 JavaScript 中继承自一个 Python 的类之外，还展示了我们如何使用 PyTorch 来创建一个模型，这是不是很 JavaScript 呢？

值得一提的是，在 Boa 的代码中，没有对 PyTorch 做过任何的封装，只要你在本地通过 Python 安装了对应的包就可以像上面的代码一样使用了，所以理论上你可以对任何 Python 包做上面所做的事情。

接下来，我们分别介绍一些主要的方法。

builtins()

Python 会内置一些常用的方法在 builtin 中，具体的 API 列表在：https://docs.python.org/3.7/library/functions.html ，那么 Boa 也提供了对应的方法：

const { len, list, range } = boa.builtins();

import(name)

除了内置的方法外，最重要的功能便是加载 Python 包，那么 import 就是做这个事儿的。

const np = boa.import('numpy');

kwargs(map)

接下来是 Python 中的关键字参数（Keyword Arguments），在 Python 中，提供了一种使用 Map 的方式来表示参数，如：

foobar(100, x=10, y=20)

它能更好地帮助调用者了解每个参数的含义，为此，在 Boa 中增加了 kwargs 方法来支持这种用法：

foobar(100, boa.kwargs({ x: 10, y: 20 }));

with(ctx, fn)

With 可能对于一些熟悉 JavaScript 历史的人会比较眼熟，但 Python 中的 with，用法和目的并不与 JavaScript 相同，Python 中的 with 语句有点类似于 JavaScript 中的 Block Scoping：

with(localcontext()) {
  # balabala
}

上面的 Python 代码是将 localcontext() 的状态保存下来，然后开始执行 with 语句中的块代码，最后，将 localcontext() 的状态释放。

内部的实现机制就是每个传到 with 语句中的变量需要实现两个方法：enter 和 exit，然后分别在块代码执行前后调用，因此对于 Boa 中的用法，如下：

boa.with(torch.no_grad(), () => {
  const output = model(text, offsets);
  const loss = criterion(output, cls);
  validLoss += loss.item();
  validAcc += boa.eval`(${output.argmax(1)} == ${cls}).sum().item()`;
});

上面的例子是 PyTorch 中一个普通的计算模型效果的逻辑，首先通过 torch.no_grad() 设置了一个上下文，然后开始执行计算的代码，在块代码执行结束后，会自动将状态恢复。

eval(str)

最后一个要说的，就是动态的执行一些 Python 表达式（单行），为什么要提供这么一个方法呢？这还是要说回 Python 的优势，在一些很复杂的数据处理的场景，往往 Python 表达式还是能非常简单易懂地表达，这样就大大地减少了代码的复杂度，我们先来看一个例子：

const line = (boa.eval`'\t'.join([str(x) for x in ${vec}])`);

上面的代码如果要换成 JavaScript 的话：

vec.map(x => x.toString()).join('\t');

看着似乎差不多了多少是吧？那么再来看看下面的例子：

boa.eval`{u:i for i, u in enumerate(${vocab})}`;
boa.eval`[${char2idx}[c] for c in ${text}]`
boa.eval`${chunk}[:-1]`
boa.eval`${chunk}[0:-1:2]`

怎么样，是否是感觉上面的例子已经没法使用 JavaScript 简单的一行就能搞定了呢？

不过值得一提的是，JavaScript 在这方面也在渐渐地弥补，这里 是整理的一些 TC39 正在做的一些相关的标准，其中就包括上面的 Slice Notation。

说回到 eval 的定位，它像是对 JavaScript 的补充，它在一些标准还未落地和稳定之前，可以让我们使用 Python 表达式来更简单地表达，而所需要的仅仅是一些低成本的学习即可。

接下来就说说 eval 到底如何使用，它接受一个“字符串”，但我们一般在使用时都会通过 Template String，下来先看两个例子：

boa.eval('print("foobar")');
boa.eval(`print("${txt}")`);

看完上面两行代码，它们是比较少见的用法。真正常用，也是最能发挥出 eval 效果的是使用 Tagged Template String，这种用法就像我们一开始看到的一样，在 eval 后面直接跟模版字符串的内容，这样做的好处是 eval 函数会接收到所有的模版参数，这样我们便可以将 JavaScript 的对象和 Python 表达式打通，实现更平滑的使用体验，如下：

const chunk = range(0, 10);
boa.eval`${chunk}[0:-1:2]`

上面就是把 chunk 传到了表达式中，再通过 Python 的 Slice Notation 语法去取到对应的值，最后返回到 JavaScript 的世界中。

尾声

好了，简单的 API 介绍就先到这里，如果想了解更多 API 和 Boa 的能力，可以到 Boa 的文档了解：https://github.com/alibaba/pipcook/blob/master/docs/tutorials/want-to-use-python.md。

另外，Boa 作为 Pipcook 的一个子项目，也非常欢迎大家来加入进来，对于想加入的同学可以通过这些 Issue 作为不错的开始：https://github.com/alibaba/pipcook/issues?q=is%3Aissue+is%3Aopen+label%3A"good+first+issue"。

最后再说一下 Boa 的初衷，就是希望能让 Node.js 开发者更无缝地使用 Python 中丰富的机器学习生态。可以说，从今天开始，你就可以开始看着 Python 的文档，使用 JavaScript 来“学习和使用”机器学习和深度学习了！