TensorFlow.js支持三类模型：预训练模型（如cocossd、blazeface）、Python训练后转换的自定义模型、纯前端小规模训练模型；需注意加载性能、兼容性、隐私及终端适配。
JavaScript 本身不内置机器学习能力，但通过 TensorFlow.js（简称 TF.js），你可以在浏览器或 Node.js 环境中直接运行训练好的模型、微调模型，甚至从零训练简单模型。
TensorFlow.js 能运行哪些模型？
TF.js 支持三类主流使用方式，对应不同复杂度和场景：
-
预训练模型（即开即用）：官方提供多个已转换、可直接加载的模型，比如：
• face-api.js（基于 TF.js 的人脸检测/识别库，非官方但广泛使用）
• cocossd（实时物体检测，支持 80 类 COCO 数据集）
• blazeface（轻量级人脸检测，适合移动端）
• handpose（手部关键点检测）
• speech-commands（关键词语音识别，如 “yes” / “no”）
• posenet（人体姿态估计） -
自定义训练模型（Python → JS）：你在 Python 中用 TensorFlow/Keras 训练好模型后，导出为 SavedModel 或 Keras HDF5 格式，再用
tensorflowjs_converter工具转成 TF.js 可加载的 JSON + 二进制权重格式。支持大多数常见结构（CNN、RNN、Transformer 小型变体等），但需注意：
• 不支持所有 TensorFlow 操作（如某些控制流、动态 shape 操作）
• 复杂模型（如大参数量 LLM）在浏览器中推理可能卡顿，建议裁剪或量化 -
纯前端训练（适合小规模任务）：TF.js 提供完整的张量操作与自动微分，可在浏览器中训练简单模型，例如：
• 线性回归 / 逻辑回归
• 小型全连接网络（如 MNIST 手写数字分类）
• 自编码器、GAN（实验性质，收敛慢）
• 注意：浏览器训练受 CPU/GPU 资源限制，不适用于大数据集或深层网络
一个最简运行示例（COCO-SSD）
几行代码即可完成物体检测：
import * as tf from '@tensorflow/tfjs';
import * as cocoSsd from '@tensorflow-models/coco-ssd';
<p>// 加载模型（首次会下载约 10MB）
const model = await cocoSsd.load();</p><p>// 对图像元素做推理
const img = document.getElementById('myImage');
const predictions = await model.detect(img);</p><p>// predictions 是包含 { bbox: [x,y,w,h], class: 'cat', score: 0.92 } 的数组
console.log(predictions);
关键注意事项
- 模型加载耗时且占内存：首次加载需网络请求 + 解析权重，建议加 loading 状态；大模型可考虑懒加载或服务端预推理
- 浏览器兼容性：TF.js 优先使用 WebGL 加速，部分老旧设备或 Safari 需回退到 CPU 模式（性能明显下降）
- 隐私与安全：所有数据保留在用户本地，适合敏感场景（如人脸分析不上传）；但也意味着无法利用云端算力
-
Node.js 支持：通过
@tensorflow/tfjs-node绑定原生 C++ 后端，性能接近 Python，适合服务端模型部署
不复杂但容易忽略：模型选择要匹配终端能力——移动端优先选 blazeface 而非 Posenet，Web 应用慎用未量化的 ResNet50。
立即学习“Java免费学习笔记（深入）”；
