一、关于TensorFlow.js
作为深度学习界的当红炸子鸡——TensorFlow 开源组织终于在 2018 年 3 月推出了首个 JavaScript 版本。TensorFlow.js 可以在浏览器端完成模型训练、执行和再训练等基本任务，并且借助 WebGL 技术，可以和 Python、C++ 版本一样能够通过 GPU 硬件加速完成计算过程。
二、基本概念
1.算法模型
y = f(x)
上述公式中，x是输入项，y是输出项，而f(x)就是模型的核心函数。需要注意的是这里的输入和输出通常都是张量而不是标量。
例如：
y = w1 * obstacleX + w2 * obstacleWidth + b
其中obstacleX和obstacleWidth是输入项， w1、w2为输入项的权重，b是偏移量
2.训练
通过已知输入项 obstacleX 、obstacleWidth和输出项 y 来调节模型中 w1、w2 和 b 参数直到“最佳效果”的过程，被称为训练（train）过程，而 y 因为是已知的输出项，又被称为标签（label），多组输入项（obstacleX 、obstacleWidth）和 输出项（y） 在一起被称为训练数据集（training data set）。训练通常需要反复执行很多次，才能达到“最佳效果”。
3.预测
机器学习中，已知输入项 x 和模型求 y 时，被称为预测（predict）过程。
4.评价
在训练过程中，将训练数据集中的 x 作为输入项，执行预测过程，将预测结果与标签 y 的实际结果进行对比，并通过一个函数得到一个分值用以表示当前模型的拟合能力，被称为评价（evaluatie）过程,这个函数被称为评价函数或损失函数（loss function）。
机器学习就是一个不断训练、评价迭代的模型训练过程，训练得越好，则未来预测得越准确。
5.张量
张量是TensorFlow.js中的最重要的数据单元，它是一个形状为一维或多维数组组成的数值的集合。tf.Tensor和多维数组其实非常的相似。
标量 : 有些物理量，只有数值大小，没有方向，这种即称为标量，也可称做零阶张量。
向量（矢量 vector）: 具有大小和方向的量，也可称做一阶张量
张量（tensor）：我们的目的是要用数学量来表示物理量，可是标量加上向量，都不足以表达所有的物理量，所以就需要扩大数学量的概念，张量就出现了。
张量包含如下属性：
- rank: 张量的维度（张量的维数被描述为阶或者秩），例如纯量就是0阶，向量为1阶，矩阵为2阶。
- shape: 每个维度的数据大小
const a = tf.tensor([[1, 2], [3, 4]]);
console.log('a shape:', a.shape);
a.print();
const b = a.reshape([4, 1]);
console.log('b shape:', b.shape);
b.print();
//a shape: 2,2
//Tensor
// [[1, 2],
// [3, 4]]
//b shape: 4,1
//Tensor
// [[1],
// [2],
// [3],
// [4]]
- dtype: 张量中的数据类型，在默认的情况下，
tf.Tensor的数据类型也就是dtype为32位浮点型(float32)。当然tf.Tensor也可以被创建为以下数据类型：布尔(bool), 32位整型(int32), 64位复数(complex64), 和字符串(string)
三、TensorFlow.js API
1.初始化创建一个张量
tf.tensor(values,shape?,dtype?)
tf.tensor([1, 2, 3, 4]).print();
//Tensor [1, 2, 3, 4]
tf.tensor([[1, 2], [3, 4]]).print();
//Tensor [[1, 2], [3, 4]]
tf.tensor([1, 2, 3, 4], [2, 2]).print();
//Tensor[[1, 2],[3, 4]]
//其中dtype 为('float32'|'int32'|'bool'|'complex64'|'string')
tf.scalar(value, dtype?)创建零阶张量
tf.scalar(3.14).print();
//Tensor 3.140000104904175
tf.buffer(shape,dtype?,values?)
const buffer = tf.buffer([2, 2]);
buffer.set(3, 0, 0);
buffer.set(5, 1, 0);
buffer.toTensor().print();
//张量[[3，0]，[5，0]]
tf.clone（x）
//创建一个具有与指定张量相同的值和形状的新张量。
const x = tf.tensor([1, 2]);
x.clone().print();
//张量[1，2]
tf.complex(real,imag)
//给定一个real表示复数的实部的张量和一个imag表示复数的虚部的张量，此操作将以[r0，i0，r1，i1]的形式逐元素返回复数，其中r表示实部，i代表imag的一部分。
const real = tf.tensor1d([2.25, 3.25]);
const imag = tf.tensor1d([4.75, 5.75]);
const complex = tf.complex(real, imag);
complex.print();
//张量[2.25 + 4.75j，3.25 + 5.75j]
tf.fill(shape,values,dtype?)
//创建一个用标量值填充的张量
tf.fill([2, 2], 4).print();
//张量[[4，4]，[4，4]]
tf.imag(x)
//返回复数（或实数）张量的虚部。
const x = tf.complex([-2.25, 3.25], [4.75, 5.75]);
tf.imag(x).print();
Tensor [4.75, 5.75]
tf.linspace(start,stop,num)
//在给定的间隔内返回均匀间隔的数字序列。
// start （数字） 序列的起始值。
// stop （数字） 序列的结束值。
// num （数字） 要生成的值的数目。
tf.linspace(0, 9, 10).print();
//张量[0、1、2、3、4、5、6、7、8、9]
tf.real(x)
//返回复数（或实数）张量的实部。
const x = tf.complex([-2.25, 3.25], [4.75, 5.75]);
tf.real(x).print();
//张量[-2.25，3.25]
tf.variable(initialValue,trainable?,name?,dtype?)
//用提供的初始值创建一个新变量。
// initialValue:张量的初始值
// trainable: 如果为true，则允许优化器对其进行更新。
// name:变量的名称
const x = tf.variable(tf.tensor([1, 2, 3]));
x.assign(tf.tensor([4, 5, 6]));
x.print();
//张量[4，5，6]
2.修改张量的形状
张量中的元素数量是这个张量的形状的乘积(例如一个形状为[2,3]的张量所含有的元素个数为2*3=6个)
tf.reshape(x,shape)
//给定输入张量，返回一个新的张量
const x = tf.tensor1d([1, 2, 3, 4]);
x.reshape([2, 2]).print();
//张量[[1，2]，[3，4]]
3. 操作张量
tf.square()
const x = tf.tensor([1, 2, 3, 4]);
const y = x.square(); // 相当于 tf.square(x)
y.print();
tf,add()
const a = tf.tensor([1, 2, 3, 4]);
const b = tf.tensor([10, 20, 30, 40]);
const y = a.add(b); // 相当于 tf.add(a, b)
y.print();
因为张量是不可变的，所以这些运算并不会更改他们的值。相应的这些操作总会返回一个新的张量。
tf.slice(x,begin,size?)
//x:要切片的输入张量
//begin:起始切片的坐标
//size:切片的大小
4.内存操作
tf.dispose()
const a = tf.tensor([[1, 2], [3, 4]]);
a.dispose(); // 相当于 tf.dispose(a)
