TensorFlow.js 是一个框架，用于使用 JavaScript 中的张量定义和运行计算。张量是向量和矩阵到更高维度的推广。
张量
TensorFlow.js 中的数据中心单元是 tf.Tensor：一组值，形状为一个或多个维度的数组。 tf.Tensor 与多维数组非常相似。
一个 tf.Tensor 还包含以下属性
rank：定义张量包含的维度数shape：定义数据的每个维度的尺寸dtype：定义张量的类型。
一个 tf.Tensor 可以使用 tf.tensor() 方法从数组创建
// Create a rank-2 tensor (matrix) matrix tensor from a multidimensional array.
const a = tf.tensor([[1, 2], [3, 4]]);
console.log('shape:', a.shape);
a.print();
// Or you can create a tensor from a flat array and specify a shape.
const shape = [2, 2];
const b = tf.tensor([1, 2, 3, 4], shape);
console.log('shape:', b.shape);
b.print();
默认情况下， tf.Tensor 将具有 float32 dtype. tf.Tensor 也可以使用 bool、int32、complex64 和 string 类型创建
const a = tf.tensor([[1, 2], [3, 4]], [2, 2], 'int32');
console.log('shape:', a.shape);
console.log('dtype', a.dtype);
a.print();
TensorFlow.js 还提供了一组方便的方法来创建随机张量、填充特定值的张量、从 HTMLImageElement 创建张量，以及更多您可以在 此处 找到的方法。
更改张量的形状
tf.Tensor 中的元素数量是其形状中尺寸的乘积。由于通常可以有多种具有相同尺寸的形状，因此能够将 tf.Tensor 重塑为具有相同尺寸的另一种形状通常很有用。这可以通过 reshape() 方法实现
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();
从张量获取值
您还可以使用 Tensor.array() 或 Tensor.data() 方法从 tf.Tensor 获取值
const a = tf.tensor([[1, 2], [3, 4]]);
// Returns the multi dimensional array of values.
a.array().then(array => console.log(array));
// Returns the flattened data that backs the tensor.
a.data().then(data => console.log(data));
我们还提供了这些方法的同步版本，它们更易于使用，但在您的应用程序中会导致性能问题。在生产应用程序中，您应该始终优先使用异步方法。
const a = tf.tensor([[1, 2], [3, 4]]);
// Returns the multi dimensional array of values.
console.log(a.arraySync());
// Returns the flattened data that backs the tensor.
console.log(a.dataSync());
操作
虽然张量允许您存储数据，但操作（op）允许您操作该数据。TensorFlow.js 还提供各种适合线性代数和机器学习的操作，这些操作可以在张量上执行。
示例：计算 tf.Tensor 中所有元素的 x2
const x = tf.tensor([1, 2, 3, 4]);
const y = x.square(); // equivalent to tf.square(x)
y.print();
示例：逐元素添加两个 tf.Tensor 的元素
const a = tf.tensor([1, 2, 3, 4]);
const b = tf.tensor([10, 20, 30, 40]);
const y = a.add(b); // equivalent to tf.add(a, b)
y.print();
由于张量是不可变的，因此这些操作不会更改它们的值。相反，操作始终返回新的 tf.Tensor。
您可以在 此处 找到 TensorFlow.js 支持的操作列表。
内存
在使用 WebGL 后端时，必须显式管理 tf.Tensor 内存（让 tf.Tensor 超出范围以释放其内存 **是不够的**）。
要销毁 tf.Tensor 的内存，可以使用 dispose() 方法或 tf.dispose()
const a = tf.tensor([[1, 2], [3, 4]]);
a.dispose(); // Equivalent to tf.dispose(a)
在应用程序中将多个操作链接在一起非常常见。持有对所有中间变量的引用以处置它们会降低代码可读性。为了解决这个问题，TensorFlow.js 提供了一个 tf.tidy() 方法，该方法会在执行函数后清理所有未由函数返回的 tf.Tensor，类似于在执行函数时清理局部变量的方式
const a = tf.tensor([[1, 2], [3, 4]]);
const y = tf.tidy(() => {
const result = a.square().log().neg();
return result;
});
在此示例中，square() 和 log() 的结果将自动处置。 neg() 的结果不会被处置，因为它 是 tf.tidy() 的返回值。
您还可以获取 TensorFlow.js 跟踪的张量数量
console.log(tf.memory());
由 tf.memory() 打印的对象将包含有关当前分配了多少内存的信息。您可以在 此处 找到更多信息。