TensorFlow.js 是一個使用 JavaScript 中的張量定義及執行運算的架構。「張量」是向量和矩陣推廣至更高維度的概念。
張量
TensorFlow.js 中的核心資料單位是 tf.Tensor：一組值，塑造成一或多維陣列。tf.Tensor 與多維陣列非常相似。
tf.Tensor 也包含下列屬性
rank：定義張量包含的維度數量shape：定義資料各維度的大小dtype：定義張量的資料類型。
可以使用 tf.tensor() 方法從陣列建立 tf.Tensor
// 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();
預設情況下，tf.Tensor 的 dtype 會是 float32。tf.Tensor 也可以使用 bool、int32、complex64 和字串 dtype 建立
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 也提供一組便利方法，可用於建立隨機張量、填滿特定值的張量、來自 HTMLImageElement 的張量等等，您可以在這裡找到更多資訊。
變更張量的形狀
tf.Tensor 中的元素數量是其形狀中大小的乘積。由於通常會有許多大小相同的形狀，因此通常可以將 tf.Tensor 重新塑造成另一個大小相同的形狀會很有用。這可以使用 reshape() 方法達成
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();
從張量取得值
您也可以使用 Tensor.array() 或 Tensor.data() 方法從 tf.Tensor 取得值
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));
我們也提供這些方法的同步版本，這些版本更易於使用，但會在您的應用程式中造成效能問題。在生產應用程式中，您應一律偏好使用非同步方法。
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());
運算
張量可讓您儲存資料，而運算 (op) 可讓您操縱該資料。TensorFlow.js 也提供各種適用於線性代數和機器學習的運算，這些運算可在張量上執行。
範例：計算 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();
範例：逐元素相加兩個 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();
由於張量是不可變的，因此這些運算不會變更其值。相反地，運算一律會傳回新的 tf.Tensor。
您可以在這裡找到 TensorFlow.js 支援的運算清單。
記憶體
使用 WebGL 後端時，必須明確管理 tf.Tensor 記憶體 (僅讓 tf.Tensor 超出範圍不足以釋放其記憶體)。
若要銷毀 tf.Tensor 的記憶體，您可以使用 dispose() 方法或 tf.dispose()
const a = tf.tensor([[1, 2], [3, 4]]);
a.dispose(); // Equivalent to tf.dispose(a)
在應用程式中將多個運算串連在一起是很常見的做法。保留所有中繼變數的參照以處置它們可能會降低程式碼可讀性。為了解決這個問題，TensorFlow.js 提供了 tf.tidy() 方法，此方法會清除函式執行後未傳回的所有 tf.Tensor，這類似於函式執行時清除區域變數的方式
const a = tf.tensor([[1, 2], [3, 4]]);
const y = tf.tidy(() => {
const result = a.square().log().neg();
return result;
});
在此範例中，square() 和 log() 的結果將自動處置。neg() 的結果將不會處置，因為它是 tf.tidy() 的傳回值。
您也可以取得 TensorFlow.js 追蹤的張量數量
console.log(tf.memory());
tf.memory() 列印的物件將包含目前配置多少記憶體的相關資訊。您可以在這裡找到更多資訊。