TensorFlow.js 是谷歌推出的开源 JavaScript 机器学习库，支持在浏览器和 Node.js 环境中直接训练、部署机器学习模型，无需依赖后端服务器。其核心功能涵盖张量运算、模型构建、训练与部署，并提供跨平台兼容性和硬件加速能力，适用于实时推理、边缘计算等场景。以下是其功能总览：
一、核心功能
1. 张量运算
o 提供多维数组（张量）的创建与操作，支持矩阵乘法、加减、转置等线性代数运算。
o 示例：
【javascript】
const a = tf.tensor([[1, 2], [3, 4]]);
const b = tf.tensor([[5, 6], [7, 8]]);
const result = tf.matMul(a, b); // 矩阵乘法
2. 模型构建
o 顺序模型（Sequential）：通过逐层叠加构建线性模型。
【javascript】
const model = tf.sequential();
model.add(tf.layers.dense({units: 32, inputShape: <x-preset class="no-tts reference-tag disable-to-doc" data-index="50">50</x-preset>, activation: 'relu'}));
model.add(tf.layers.dense({units: 1, activation: 'linear'}));
o 函数式模型（Functional）：支持复杂拓扑结构，如多输入/输出模型。
【javascript】
const input = tf.input({shape: <x-preset class="no-tts reference-tag disable-to-doc" data-index="50">50</x-preset>});
const dense1 = tf.layers.dense({units: 32, activation: 'relu'}).apply(input);
const output = tf.layers.dense({units: 1, activation: 'linear'}).apply(dense1);
const model = tf.model({inputs: input, outputs: output});
3. 模型训练与加载
o 支持自定义训练流程，包括优化器、损失函数配置。
【javascript】
model.compile({optimizer: 'sgd', loss: 'meanSquaredError'});
await model.fit(xs, ys, {epochs: 10, batchSize: 32});
o 加载预训练模型（如 TensorFlow SavedModel、Keras 模型）：
【javascript】
const model = await tf.loadLayersModel('https://example.com/model.json');
4. 模型保存
o 支持浏览器下载或 Node.js 文件系统保存：
【javascript】
await model.save('downloads://my-model'); // 浏览器下载
await model.save('file://path-to-save'); // Node.js 保存
二、关键特性
1. 跨平台兼容性
o 浏览器环境：利用 WebGL 进行 GPU 加速，支持移动设备（如手机摄像头、GPS 数据交互）。
o Node.js 环境：提供tfjs-node（CPU 版本）和tfjs-node-gpu（CUDA 加速版本）。
o 支持 React Native、Electron 等 12+ 平台。
2. 硬件加速
o WebGL 后端：浏览器中速度比 CPU 快 100 倍，适合实时推理（如视频分析）。
o WebAssembly（WASM）后端：兼容无 WebGL 的低端设备，启动速度快。
o Node.js 后端：通过 TensorFlow C API 调用原生算子，支持 CUDA 加速。
3. 内存管理
o 需手动释放张量内存以避免泄漏：
【javascript】
const a = tf.tensor([[1, 2], [3, 4]]);
a.dispose(); // 手动释放
tf.tidy(() => { /* 自动清理中间张量 */ });
4. 模型转换
o 通过tensorflowjs_converter工具将 Python 模型（如 Keras H5）转换为 TensorFlow.js 格式，支持权重量化（8/16 位），模型体积最高压缩 75%。
三、应用场景
1. 在线学习：浏览器中实时收集用户数据，调整模型（如个性化推荐）。
2. 边缘计算：移动设备或 IoT 设备上本地处理数据（如设备预测性维护）。
3. 实时交互：结合 WebRTC、Canvas 等技术实现实时图像处理（如虚拟试衣间）、语音识别（如弹幕情感分析）。
4. 隐私保护：用户数据无需上传服务器，本地完成推理（如心率异常检测）。
四、技术优势
1. 轻量化设计：核心库压缩后仅 1.2MB，支持树莓派等资源受限设备。
2. 生态丰富：覆盖图像处理、语音识别、推荐系统等 30+ 垂直领域，周下载量突破 180 万次。
3. 开发友好：提供高阶（Layers API）和低阶（Ops API）API，平衡易用性与灵活性。
o 高阶 API：快速构建模型，代码量减少 40% 以上。
o 低阶 API：支持自定义反向传播逻辑，满足研究需求。
五、典型案例
1. B站实时弹幕情感分析：准确率提升至 89%。
2. 淘宝虚拟试衣间：依托 PoseNet 模型降低退货率 23%。
3. 西门子设备预测性维护：故障识别延迟 <50ms。
4. 联影医疗 Web 端 DICOM 查看器：肝区分割 Dice 系数达 0.91。