使用TensorFlow.js可在前端训练机器学习模型。首先准备数据，将CSV或JSON转为张量并归一化；接着用tf.sequential()构建网络，添加全连接层并设置激活函数；然后编译模型，选择adam优化器和binaryCrossentropy损失函数，调用model.fit()训练；最后用model.predict()预测，model.save()保存至本地或服务器，支持浏览器端加载与推理，适用于轻量级、实时交互场景。
在浏览器或Node.js环境中使用JavaScript进行机器学习，TensorFlow.js是一个强大且灵活的工具。它允许开发者直接在前端训练和部署模型，无需依赖Python环境。如果你希望用JavaScript训练一个机器学习模型，以下是关键步骤和实用建议。
准备数据
训练模型的第一步是获取并处理数据。TensorFlow.js支持张量（tf.Tensor）格式的数据输入，因此原始数据需要转换为张量。
- 从CSV、JSON或DOM元素中加载数据，例如使用 fetch() 获取远程数据
- 清洗数据：处理缺失值、归一化数值（如将像素值从0-255缩放到0-1）
- 使用 tf.tensor2d() 或 tf.tensor() 创建张量
- 将标签（labels）也转换为独热编码（one-hot）或数值张量
const xs = tf.tensor2d([[1, 2], [3, 4], [5, 6]]); const ys = tf.tensor2d([[1], [0], [1]]); // 二分类标签
构建模型
使用 tf.sequential() 创建一个顺序模型，然后添加层（layers）。常见的层包括全连接层（tf.layers.dense）、卷积层等。
- 选择合适的输入维度（inputShape）
- 使用激活函数如 'relu'、'sigmoid' 或 'softmax' 提升表达能力
- 输出层根据任务类型设计：回归用线性激活，分类用softmax
const model = tf.sequential();
model.add(tf.layers.dense({
units: 16,
activation: 'relu',
inputShape: [2]
}));
model.add(tf.layers.dense({
units: 1,
activation: 'sigmoid'
}));
编译与训练
配置优化器、损失函数和评估指标后，就可以开始训练模型了。
立即学习“Java免费学习笔记（深入）”；
- 调用 model.compile() 设置参数，如使用 adam 优化器和 binaryCrossentropy 损失函数
- 使用 model.fit() 开始训练，传入特征和标签张量
- 设置 epochs（训练轮数）、batchSize（每批样本数）以控制训练过程
- 可选：传入 callbacks 监控训练进度，比如每轮结束后打印损失值
model.compile({
optimizer: 'adam',
loss: 'binaryCrossentropy',
metrics: ['accuracy']
});
await model.fit(xs, ys, {
epochs: 100,
batchSize: 8,
callbacks: {
onEpochEnd: (epoch, logs) => {
console.log(`Epoch ${epoch}: loss = ${logs.loss.toFixed(4)}`);
}
}
});
使用与保存模型
训练完成后，可以对新数据进行预测，并将模型保存到本地或服务器。
- 使用 model.predict() 进行推理，输入需为相同结构的张量
- 调用 model.save() 将模型保存为本地文件或上传至服务器
- 支持多种格式，如 localStorage、indexedDB 或 HTTP POST
- 之后可用 tf.loadLayersModel() 加载已保存的模型
// 保存到浏览器 localStorage
await model.save('localstorage://my-model');
// 从本地加载模型
const loadedModel = await tf.loadLayersModel('localstorage://my-model');
基本上就这些。TensorFlow.js让JavaScript也能胜任机器学习任务，特别适合轻量级模型、实时交互应用（如手势识别、情感分析）或教育演示。虽然性能不如Python后端，但在前端实现“零延迟”推理很有优势。
