tfjs

GitHub
19.1k 2k 简单 46 次阅读 今天Apache-2.0开发框架
AI 解读 由 AI 自动生成，仅供参考

tfjs 是一个基于 JavaScript 的开源机器学习库，旨在让开发者能够在浏览器和 Node.js 环境中无缝地训练和部署模型。它解决了传统 AI 应用必须依赖后端服务器的痛点，实现了模型推理和训练的前端化，不仅大幅降低了延迟，还确保了用户数据无需离开本地设备，有效保护了隐私。tfjs 非常适合前端工程师、全栈开发者以及希望在 Web 端进行 AI 原型研究的研究人员。通过 WebGL、WebAssembly 或 WebGPU 等技术，它能充分利用客户端硬件性能进行加速。对于已有 TensorFlow 模型的团队，tfjs 提供了便捷的转换工具，支持直接复用现有资产。此外，它还内置了可视化组件和 AutoML 接口，降低了使用门槛。无论是从零构建神经网络，还是加载预训练模型，tfjs 都能提供灵活且直观的 API 支持，助力打造高性能的 Web AI 应用。

使用场景

某在线教育团队正在开发网页版电子白板，核心需求是在用户书写时实时识别手写数字并转换为文本。

没有 tfjs 时

  • 必须将所有笔迹坐标上传到后端 Python 服务处理，网络延迟导致识别结果滞后，严重影响交互流畅度。
  • 涉及用户书写习惯等敏感数据外传，难以满足日益严格的数据隐私合规要求。
  • 高峰期并发请求量大，服务器 GPU 资源消耗巨大，运维成本居高不下。
  • 一旦网络波动或断开，整个识别功能立即失效，用户体验极差。

使用 tfjs 后

  • 通过 WebGL 后端在浏览器端直接加载模型，推理速度提升至毫秒级，交互零延迟。
  • 模型转换后运行于客户端，原始数据不出本地，完美符合隐私保护规范。
  • 利用用户设备的 CPU 或 GPU 算力分担负载，显著降低了云端服务器的部署压力与成本。
  • 结合 Service Worker 缓存机制，即使断网也能调用本地模型进行基础识别，保障业务连续性。

tfjs 通过将机器学习能力下沉至前端，实现了低延迟、低成本且安全可靠的智能交互体验。

运行环境要求

操作系统
  • 未说明
GPU

未说明

内存

未说明

依赖
notes该工具为 JavaScript 库，主要运行在浏览器或 Node.js 环境中。硬件加速通过 WebGL、WebGPU 或 WASM 后端实现，不强制依赖 NVIDIA CUDA 环境。使用 NPM 安装时需配合构建工具（如 Webpack）。
python未说明
@tensorflow/tfjs
Parcel
Webpack
Rollup
tfjs hero image

快速开始

TensorFlow.js

TensorFlow.js 是一个开源的、硬件加速的 JavaScript 库，用于训练和部署机器学习模型。

在浏览器中开发机器学习
使用灵活直观的 API (应用程序编程接口) 通过底层的 JavaScript 线性代数库或高层的层 API 从头构建模型。

在 Node.js 中开发机器学习
在 Node.js 运行时环境下，使用相同的 TensorFlow.js API 执行原生 TensorFlow。

运行现有模型
使用 TensorFlow.js 模型转换器直接在浏览器中运行现有的 TensorFlow 模型。

重新训练现有模型
使用连接到浏览器的传感器数据或其他客户端数据重新训练现有的机器学习模型。

关于此仓库

此仓库包含组合多个包的逻辑和脚本。

APIs (应用程序编程接口):

后端/平台:

如果您关心打包大小，可以单独导入这些包。

如果您正在寻找 Node.js 支持，请查看 TensorFlow.js Node 目录。

示例

查看我们的 示例仓库 和 教程。

画廊

请务必查看 画廊 中所有与 TensorFlow.js 相关的项目。

预训练模型

也请务必查看我们的 模型仓库，我们在其中托管了预训练模型到 NPM。

基准测试

  • 本地基准测试工具。使用此网页工具收集 TensorFlow.js 模型和内核在您的本地设备上使用 CPU、WebGL 或 WASM 后端时的性能相关指标（速度、内存等）。您可以按照此 指南 对自定义模型进行基准测试。
  • 多设备基准测试工具。使用此工具收集相同性能相关指标，但针对的是一组远程设备。

入门

将 TensorFlow.js 集成到您的 JavaScript 项目中有两种主要方式：通过 script 标签 或者 从 NPM 安装它并使用构建工具如 Parcel、WebPack 或 Rollup。

通过 Script Tag

将以下代码添加到 HTML 文件中：

<html>
  <head>
    <!-- Load TensorFlow.js -->
    <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs/dist/tf.min.js"> </script>


    <!-- Place your code in the script tag below. You can also use an external .js file -->
    <script>
      // Notice there is no 'import' statement. 'tf' is available on the index-page
      // because of the script tag above.

      // Define a model for linear regression.
      const model = tf.sequential();
      model.add(tf.layers.dense({units: 1, inputShape: [1]}));

      // Prepare the model for training: Specify the loss and the optimizer.
      model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

      // Generate some synthetic data for training.
      const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);
      const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]);

      // Train the model using the data.
      model.fit(xs, ys).then(() => {
        // Use the model to do inference on a data point the model hasn't seen before:
        // Open the browser devtools to see the output
        model.predict(tf.tensor2d([5], [1, 1])).print();
      });
    </script>
  </head>

  <body>
  </body>
</html>

在浏览器中打开该 HTML 文件，代码应该就能运行了！

通过 NPM

使用 yarn 或 npm 将 TensorFlow.js 添加到您的项目中。注意： 因为我们使用 ES2017 语法（例如 import），此工作流程假设您使用的是现代浏览器或使用打包器/转译器将代码转换为旧版浏览器能理解的内容。查看我们的 示例 以了解我们如何使用 Parcel 构建代码。但是，您可以自由使用任何您喜欢的构建工具。

import * as tf from '@tensorflow/tfjs';

// Define a model for linear regression.
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));

// Prepare the model for training: Specify the loss and the optimizer.
model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});

// Generate some synthetic data for training.
const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);
const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]);

// Train the model using the data.
model.fit(xs, ys).then(() => {
  // Use the model to do inference on a data point the model hasn't seen before:
  model.predict(tf.tensor2d([5], [1, 1])).print();
});

有关更多详细信息，请参阅我们的 教程、示例 和 文档。

导入预训练模型

我们支持从以下来源移植预训练模型：

不同后端支持的各类算子

请参考以下内容：

了解更多

TensorFlow.js 是 TensorFlow 生态系统的一部分。更多信息：

感谢 BrowserStack 提供测试支持。

版本历史

tfjs-v4.22.02024/10/21
tfjs-v4.21.02024/09/04
tfjs-v4.20.02024/06/03
tfjs-v4.19.02024/04/30
tfjs-v4.18.02024/04/17
tfjs-v4.17.02024/01/31
tfjs-v4.16.02024/01/11
tfjs-v4.15.02023/12/13
tfjs-v4.14.02023/11/30
tfjs-react-native-v1.0.02023/11/30
tfjs-v4.13.02023/11/09
tfjs-v4.13.0-rc.02023/10/31
tfjs-v4.12.02023/10/18
tfjs-v4.12.0-rc.02023/10/13
tfjs-v4.11.02023/09/13
tfjs-v4.10.02023/08/01
tfjs-tflite-v0.0.1-alpha.102023/07/24
tfjs-v4.9.02023/07/19
tfjs-v4.8.02023/06/22
tfjs-v4.7.02023/06/06

常见问题

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

★ 349.3k|★★★☆☆|5天前
Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。

★ 162.1k|★★★☆☆|6天前
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上

★ 150k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。

★ 108.3k|★★☆☆☆|昨天
开发框架图像Agent

gemini-cli

gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。 这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。 它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。

★ 100.8k|★★☆☆☆|昨天
插件Agent图像

markitdown

MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器

★ 93.4k|★★☆☆☆|4天前
插件开发框架