1、浏览器中进行机器学习的优势

浏览器中进行机器学习，相对比与服务器端来讲，将拥有以下四大优势：

• 不需要安装软件或驱动（打开浏览器即可使用）；
• 可以通过浏览器进行更加方便的人机交互；
• 可以通过手机浏览器，调用手机硬件的各种传感器（如：GPS、电子罗盘、加速度传感器、摄像头等）；
• 用户的数据可以无需上传到服务器，在本地即可完成所需操作。

通过这些优势，TensorFlow.js 将给开发者带来极高的灵活性。比如在 Google Creative Lab 在 2018 年 7 月发布的 Move Mirror 里，我们可以在手机上打开浏览器，通过手机摄像头检测视频中用户的身体动作姿势，然后通过对图片数据库中类似身体动作姿势的检索，给用户显示一个最能够和他当前动作相似的照片。在 Move Mirror 的运行过程中，数据没有上传到服务器，所有的运算都是在手机本地，基于手机的 CPU/GPU 完成的，而这项技术，将使 Servreless 与 AI 应用结合起来成为可能。

TensorFlow.js 懒人教程，从安装到训练全解析（内有抽奖送书！） - 知乎

2、环境安装

1、确认 Node.js 版本（v10 或更新的版本）

2、建立TensorFlow.js项目目录

mkdir tfjs
cd tfjs

3、安装TensorFlow.js

# 初始化项目管理文件 package.json
$ npm init -y# 安装 tfjs 库，纯 JavaScript 版本
$ npm install @tensorflow/tfjs# 安装 tfjs-node 库，C Binding 版本
$ npm install @tensorflow/tfjs-node# 安装 tfjs-node-gpu 库，支持 CUDA GPU 加速
$ npm install @tensorflow/tfjs-node-gpu

其中： 

• @tensorflow/tfjs这个项目是偏向前端，浏览器而生的
• @tensorflow/tfjs-node是针对后端node，所以如果是在服务器或者PC端运行则应该请使用这个版本

4、确认 Node.js 和 TensorFlow.js 工作正常

如果你看到了上面的 tfjs-core, tfjs-data, tfjs-layers 和 tfjs-converter 的输出信息，那么就说明环境配置没有问题了。

然后，在 JavaScript 程序中，通过以下指令，即可引入 TensorFlow.js：

import * as tf from '@tensorflow/tfjs'
console.log(tf.version.tfjs)
//Output: 1.3.1