TensorFlow.js是通过WebGL加速、基于浏览器的机器学习js框架。通过tensorflow.js，我们可以在浏览器中开发机器学习、运行现有的模型或者重新训练现有的模型。
一、安装
有两种方法可以在你的项目中引入tensorflow.js。一种是通过script标签引入，另外一种就是通过npm进行安装。
（1）通过script标签，如下：
<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <title>tensorflow</title> <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@0.9.0"></script> </head> <body> <script> console.log(tf); </script> </body> </html>
即直接引入tensorflow.js文件，然后我们在浏览器中打开console控制台，就可以看到tf是一个tensorflow.js暴露出来的对象，其包含了很多属性和方法。
（2）npm安装，即通过npm install @tensorflow/tfjs，然后在入口文件中使用 import * as tf from '@tensorflow/tfjs' 即可。
注意：tensorflow是用ES7的写法，所以，如果要在浏览器环境下运行，就必须使用babel转换为浏览器可以执行的代码。
二、核心概念
（1）Tensors（张量）
Tensorflow.js中数据的主要表现形式就是tensor（张量）：由 一组数值 形成 一维或多维数组。一个Tensor实例有一个shape属性来定义这一组数值如何组成张量（比如在数组的每个维度的数量各自有多少）。而最主要的Tensor实例的构造函数就是 tf.tensor 函数，如下所示：
const shape = [2, 3]; // 2行，3列 const a = tf.tensor([1.0, 2.0, 3.0, 10.0, 20.0, 30.0], shape); a.print(); console.log(Object.prototype.toString.call(a)); const b = tf.tensor([[1.0, 2.0, 3.0], [10.0, 20.0, 30.0]]); b.print();
- 我们制定了shape为2行3列，那么调用tf.tensor构造函数来构造张量时，就需要在第一个参数中传入 2 * 3 = 6个数字的数组，接着通过a.print()在控制台打印出来，是一个二维数组。
- 为了确定张量a的类型，我们可以使用JavaScript的Object.prototype.toString.call()方法来查看。 实际上张量虽然表现为一维或多维数组，但他本质上是一个对象。
- 张量的形状也可以直接被传入数组来直接构造，即张量b就是通过传入一个二维数组构造得到的张量。
然后，对于构建低维度的张量，我们推荐使用下面的函数来增强代码的可读性：tf.scalar（零维）, tf.tensor1d（一维）, tf.tensor2d（二维）, tf.tensor3d（三维）、tf.tensor4d（四维）以及 tf.ones（值全是1）或者tf.zeros（值全是0） ，如下所示：
const a = tf.scalar(3.14); a.print(); // 输出零维张量 const b = tf.tensor2d([[2, 3, 4], [5, 6, 7]]); b.print(); // 输出二维张量 const c = tf.zeros([2, 3]); c.print(); // 输出2行3列的值全是0的张量 const d = tf.ones([3, 5]); d.print(); // 输出3行5列的值全是1的张量
如下所示：
在TensorFlow.js中，张量tensors是不可变（immutable）的；一旦被创建，你就无法改变他们的值，除了使用操作符产生新的tensors张量。
（2）Variables（变量）
Variables变量是通过张量进行初始化得到的。不像Tensor的值不可变，变量的值是可变的。你可以使用变量的assign方法分配一个新的tensor到这个变量上，这是变量就会改变：
const initialValues = tf.zeros([5]); const biases = tf.variable(initialValues); biases.print(); console.log(Object.prototype.toString.call(biases)); const updatedValues = tf.tensor1d([0, 1, 0, 1, 0]); biases.assign(updatedValues); biases.print();
如上所示，首先使用tf.zeros得到一个张量，然后利用这个张量初始化得到一个变量，接着我们就可以打印这个变量，并且通Object.prototype.toString.call(biases)方法可以判断变量也是一个对象，接着，我们再生成一个张量，然后变量调用assign方法传入这个张量，就可以得到一个新的变量了，如下：
于是我们可以得出这样一个结论：变量由张量生成，且张量不可变而变量可变。
（3）Operations操作
张量可以用来存储数据，而operation可以用来操作数据。 TensorFlow.js为线性代数计算和机器学习提供了一系列有用的操作符，可以用来处理张量。因为张量是不可变的，所以这些操作符不会改变这些张量的值，而是会返回一个新的张量。 就像JavaScript中的字符串一样，无论你怎么操作，这些字符串本身不会改变，而只会返回一个新的值。
比如下面这个一元操作符 square 操作符用来求平方：
const a = tf.tensor2d([[1.0, 2.0], [3.0, 4.0]]); const a_squared = a.square(); a_squared.print(); a.print();
如上所示，我们通过tf.tensor2d创建了一个2行2列的张量a，然后使用square操作得到了a_square，下面是控制台中的结果：
下面是一个add、sub、mul的二元操作符示例：
const a = tf.tensor2d([[5.0, 6.0], [7.0, 8.0]]); const b = tf.tensor2d([[1.0, 2.0], [3.0, 4.0]]); const a_plus_b = a.add(b); a_plus_b.print(); const a_sub_b = a.sub(b); a_sub_b.print(); const a_mul_b = a.mul(b); a_mul_b.print();
如下所示，我们就可以得到add、sub、mul的结果：
另外，在TensorFlow.js中也是支持链式操作的，如下所示：
const a = tf.tensor2d([[2.0, 2.0], [2.0, 2.0]]); const b = tf.tensor2d([[3.0, 3.0], [3.0, 3.0]]); const c = tf.tensor2d([[5.0, 5.0], [5.0, 5.0]]); const res = a.add(b).square().sub(c); res.print();
即首先得到a.add(b)的结果然后再sub（减）c，这样的链式操作得到res，结果如下：
（4）模型（Models）和层（Layers）
从概念上来说，一个模型就是一个给定一些输入将会产生特定的输出的函数。从前面黑体字可以看出，一个模型就是一个函数，只是它完成了特定的任务。
在TensorFlow.js中有两种方式来创建模型，一种是通过操作（ops）来直接完成模型本身所做的工作，另外一种就是通过高级API tf.model来创建一个模型，显然第二种是更容易的。
我们先看第一种创建模型的方法：
function predict (input) { // y = a*x^2 + b*x + c return tf.tidy(() => { const x = tf.scalar(input); const ax2 = a.mul(x.square()); const bx = b.mul(x); const y = ax2.add(bx).add(c); return y; }); } // 定义常量 const a = tf.scalar(2); const b = tf.scalar(4); const c = tf.scalar(8); // 对于2预测输出 const result = predict(2); result.print(); // Tensor 24
如上所示，我们定义的predict函数就是一个模型，对于给定的输入，我们就可以得到预测的输出。注意：所有的数字都需要经过tf.scalar()张量处理。
而第二种创建模型的方法就是用 TensorFlow.js 中的 tf.model 方法（这里的model并不是真正可以调用的方法，而是一个总称，比如实际上可以调用的是tf.sequential模型），这在深度学习中是非常流行的概念。 下面的代码就创建了 tf.sequential 模型：
const model = tf.sequential(); model.add( tf.layers.simpleRNN({ units: 20, recurrentInitializer: 'GlorotNormal', inputShape: [80, 4] }) ); const optimizer = tf.train.sgd(LEARNING_RATE); model.compile({optimizer, loss: 'categoricalCrossentropy'}); model.fit({x: data, y: labels});
注意：这段代码有错，日后解决。 这里大概就是在表达tf创建模型有给定的模型供我们使用，而第一种方法是我们完全自己去写的模型。
（5）内存管理： dispose和tf.tidy
因为TensorFlow.js使用了GPU来加速数学运算，因此当tensorflow处理张量和变量时就有必要来管理GPU内存。而主要的两个管理内存的方法就是： dispose 和 tf.tidy。
dispose
我们可以使用对 张量 或者 变量 在运算之后使用dispose来清理以及释放它的GPU内存。如下所示：
const x = tf.tensor2d([[0.0, 2.0], [4.0, 6.0]]); const x_squared = x.square(); x.dispose(); x_squared.dispose();
tf.tidy
当我们做了大量了Tensor操作时，再使用 dispose 处理起来会非常不方便。所以TensorFlow.js提供了另外一个函数：tf.tidy，这个函数和JavaScript中作用域都扮演了同样的角色，只不过这个函数是为tensors服务的。
tf.tidy 执行了一个函数并且清理了中间创建的tensor，以此加速了GPU内存，但是它不会清理其内部函数最终的返回值，所以只是起到了GPU加速目的，而不会影响tensor计算，如下：
const average = tf.tidy(() => { // tf.tidy会清除所有的tensor产生的内存使得GPU加速 // 尽管下面是一个简单操作，但是还是会产生很多中间张量， // 所以将这些数学运算放在tidy函数中是最佳实践 const y = tf.tensor1d([1.0, 2.0, 3.0, 4.0]); const z = tf.ones([4]); return y.sub(z).square().mean(); }); average.print(); // Tensor 3.5
这样，我们就可以使用最大效率的GPU加速了。其中，mean()函数是求取平均值的操作，如下所示：
const average = tf.tensor1d([1, 2, 3, 4, 5]).mean(); average.print(); // Tensor 3
因此， tf.tidy可以帮助阻止程序内存泄露。下面是两个我们需要额外注意的点：
- 传入tf.tidy内的函数必须是同步的且不能Promise，我们建议对于更新UI的代码以及http请求的代码都放在tf.tidy之外。
- tf.tidy 不会清理变量 Variable。 因为变量往往会持续整个机器学习模型的生命周期，所以，即使它们在tf.tidy函数中创建TensorFlow.js也不会清理它们，然而，是可以通过dispose来手动清理的。
到这里，tensorflow.js的安装和核心概念就结束了，后面会有更多关于tensorflow的文章。