TensorFlow.js 是一個(gè)開(kāi)源的用于開(kāi)發(fā)機(jī)器學(xué)習(xí)項(xiàng)目的 WebGL-accelerated javascript 庫(kù)惜犀。TensorFlow.js 可以為你提供高性能的、易于使用的機(jī)器學(xué)習(xí)構(gòu)建模塊，允許你在瀏覽器上訓(xùn)練模型，或以推斷模式運(yùn)行預(yù)訓(xùn)練的模型草冈。TensorFlow.js 不僅可以提供低級(jí)的機(jī)器學(xué)習(xí)構(gòu)建模塊锌畸，還可以提供高級(jí)的類似 Keras 的 API 來(lái)構(gòu)建神經(jīng)網(wǎng)絡(luò)蝙砌。

一、張量：tensors

tensor 是 TensorFlow.js 的數(shù)據(jù)中心單元：由一組數(shù)值組成的一維或多維數(shù)組松忍。Tensor 實(shí)例的 shape 屬性定義了這個(gè)數(shù)組的形狀（例如：數(shù)組的每個(gè)維度有多少個(gè)值）蒸殿。

最主要的 Tensor 構(gòu)造函數(shù)是 tf.tensor 函數(shù)

// 2x3 Tensor
const shape = [2, 3]; // 可以看做是兩行三列組成
const a = tf.tensor([1.0, 2.0, 3.0, 10.0, 20.0, 30.0], shape);
a.print(); 
// Output: [[1 , 2 , 3 ],
//          [10, 20, 30]]

// The shape can also be inferred:
const b = tf.tensor([[1.0, 2.0, 3.0], [10.0, 20.0, 30.0]]);
b.print();
// Output: [[1 , 2 , 3 ],
//          [10, 20, 30]]

但是，在構(gòu)建低階張量時(shí)挽铁，為了提高代碼的可讀性伟桅，我們推薦使用下列的函數(shù)：

// 0階張量，即標(biāo)量
tf.scalar(3.14).print(); // 3.140000104904175叽掘， 默認(rèn)dtype 是 float32
tf.scalar(3.14, 'float32').print(); // 3.140000104904175
tf.scalar(3.14, 'int32').print(); // 3
tf.scalar(3.14, 'bool').print(); // 1

// 1階張量
tf.tensor1d([1, 2, 3]).print(); // [1, 2, 3]

// 2階張量
// Pass a nested array.
tf.tensor2d([[1, 2], [3, 4]]).print();
// Pass a flat array and specify a shape.
tf.tensor2d([1, 2, 3, 4], [2, 2]).print();
// ouput
//    [[1, 2],
//   [3, 4]]

// 3階張量
// Pass a nested array.
tf.tensor3d([[[1], [2]], [[3], [4]]]).print();
// Pass a flat array and specify a shape.
tf.tensor3d([1, 2, 3, 4], [2, 2, 1]).print();
// output
//    [[[1],
//      [2]],

//     [[3],
//      [4]]]

// 4階張量
// Pass a nested array.
tf.tensor4d([[[[1], [2]], [[3], [4]]]]).print();
// Pass a flat array and specify a shape.
tf.tensor4d([1, 2, 3, 4], [1, 2, 2, 1]).print();
// output
//    [[[[1],
//       [2]],

//      [[3],
//       [4]]]]

上述 5個(gè)低階張量的表示方法楣铁，除了 scalar 和 tensor1d 兩方法沒(méi)有 shape 屬性外，其它的都會(huì)傳入values更扁、shape盖腕、dtype 三個(gè)參數(shù)，注意有無(wú) shape 傳入時(shí)浓镜，values 的表示方式溃列。
TensorFlow.js 也提供了把 Tensor 實(shí)例中的所有元素的值重置為 0 和 1 方法：

// 3x5 Tensor with all values set to 0
const zeros = tf.zeros([3, 5]);
// Output: [[0, 0, 0, 0, 0],
//          [0, 0, 0, 0, 0],
//          [0, 0, 0, 0, 0]]

// 2X2 Tensor with all values set to 1
tf.ones([2, 2]).print(); 
// output 
//     [[1, 1],
//     [1, 1]]

在 TensorFlow.js 中，張量值是不可改變的膛薛；一旦創(chuàng)建听隐，你就不能改變它的值。相反哄啄，如果你執(zhí)行 operations（ops） 操作雅任，就可以生成新的張量值。

二咨跌、變量：variables

variables 是用一個(gè)張量值初始化的沪么。不像張量（tensor），值不可改變锌半。你可以使用 assign 方法給一個(gè)存在的變量（variable）分配一個(gè)新的張量：

const initialValues = tf.zeros([5]);
const biases = tf.variable(initialValues); // 初始化偏差（距離原點(diǎn)的截距或偏移）
biases.print(); // output: [0, 0, 0, 0, 0]

const updatedValues = tf.tensor1d([0, 1, 0, 1, 0]);
biases.assign(updatedValues); // update values of biases
biases.print(); // output: [0, 1, 0, 1, 0]

變量（variable）主要是用于在模型訓(xùn)練時(shí)禽车，進(jìn)行數(shù)據(jù)的保存和更新。

三、操作：operations（ops）

tensors 可以用保存數(shù)據(jù)殉摔，而 operations 可以操作數(shù)據(jù)州胳。TensorFlow.js 提供了多種適用于張量的線性代數(shù)和機(jī)器學(xué)習(xí)的運(yùn)算的 operations。由于張量是不可改變的钦勘，所以 operations 操作并不會(huì)改變 tensors 的值陋葡，而是返回新的張量。
1彻采、operations 提供了類似 square 等一元運(yùn)算：

const x = tf.tensor1d([1, 2, Math.sqrt(2), -1]);
x.square().print();  // or tf.square(x)
// [1, 4, 1.9999999, 1]

const x = tf.tensor1d([1, 2, 4, -1]);
x.sqrt().print();  // or tf.sqrt(x)
// [1, 1.4142135, 2, NaN]

2腐缤、operations 提供了類似 add、sub 等二元運(yùn)算：

const a = tf.tensor1d([1, 2, 3, 4]);
const b = tf.tensor1d([10, 20, 30, 40]);

a.add(b).print();  // or tf.add(a, b)
// [11, 22, 33, 44]

3肛响、支持鏈?zhǔn)讲僮鳎?/strong>

const e = tf.tensor2d([[1.0, 2.0], [3.0, 4.0]]);
const f = tf.tensor2d([[5.0, 6.0], [7.0, 8.0]])
const sq_sum = e.add(f).square();
sq_sum.print();
// Output: [[36 , 64 ],
//          [100, 144]]

// 所有的操作都暴露在函數(shù)的命名空間中岭粤，也可以進(jìn)行下面操作，得到相同的結(jié)果
const sq_sum = tf.square(tf.add(e, f));

// Define function
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;
  });
}

// Define constants: y = 2x^2 + 4x + 8
const a = tf.scalar(2);
const b = tf.scalar(4);
const c = tf.scalar(8);

// Predict output for input of 2
const result = predict(2);
result.print() // Output: 24

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)});

const x = tf.tensor2d([[0.0, 2.0], [4.0, 6.0]]);
const x_squared = x.square();

x.dispose();
x_squared.dispose();

// tf.tidy takes a function to tidy up after
const average = tf.tidy(() => {

// tf.tidy 會(huì)清除在這個(gè)函數(shù)內(nèi)的張量使用的所有GPU內(nèi)存，而不是返回的張量座掘。
// 即使在像下面這樣的一個(gè)簡(jiǎn)短的操作序列中递惋，也會(huì)創(chuàng)建一些中間的張量。所以溢陪，把 ops 放在 tidy 函數(shù)中是一個(gè)好的選擇

  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() // Output: 3.5