| 作者： | Gant Laborde |
| 语言： | 英文 |
| 出版年份： | 2021 |
| 编程语言： | JavaScript |
| 其他分类： | 人工智能 |
| 下载链接： |
书籍均收集自互联网，仅供学习和研究使用，请莫用于商业用途。谢谢合作。 |
书籍摘要
1. 书籍定位与核心理念
《Learning TensorFlow.js》面向两类读者：
- 熟悉 JavaScript 但零机器学习经验的开发者，想为 Web 应用加入 AI 能力；
- 已有 TensorFlow 或线性代数基础的研究者，想把模型部署到浏览器/IoT。
全书坚持“从浏览器出发”的实战路线：用 JavaScript 写代码、在浏览器里看效果，把 GPU、WebAssembly、隐私计算、离线 PWA 等优势全部转化为可落地的工程经验。
2. 内容结构速览
| 章节区间 | 主题 | 关键产出 |
|---|---|---|
| 第1–2章 | 概念+环境 | 搞清 AI/ML 术语，装好 TensorFlow.js，跑通 Toxicity 文本分类示例 |
| 第3–4章 | 数据基础 | 掌握张量（tensor）与图像张量；学会张量↔像素互转、图像裁剪/缩放 |
| 第5–6章 | 模型消费 | 学会加载 Layers / Graph 两种模型，用 Inception v3 做图像识别，用 SSD MobileNet 做实时物体检测 |
| 第7章 | 资源与迁移 | 了解 TF Hub、Teachable Machine、Kaggle 数据集；学会把 Keras HDF5、PyTorch → TensorFlow.js |
| 第8–10章 | 训练实战 | 从线性回归、非线性函数到 CNN 图像分类；用 Titanic 数据集演示数据清洗、特征工程 |
| 第11章 | 迁移学习 | 基于 MobileNet 做迁移与微调，引入 KNN 做零训练分类 |
| 第12章 | 综合项目 | “骰子艺术” Capstone——从数据生成、模型设计到网页部署完整闭环 |
3. 技术特色
- 零门槛浏览器体验：所有示例可在浏览器直接运行，无需安装 Python/CUDA。
- 渐进式难度：先“开箱即用”现成模型，再拆解原理，最后亲手训练。
- 工程化细节：
- 模型量化、分片、缓存，优化加载速度；
- tf.tidy、dispose、requestAnimationFrame 等内存与性能最佳实践；
- NMS、Soft-NMS、IoU 等检测后处理套路一次性讲透。
- 数据科学视角：用 Danfo.js（类 Pandas）做数据清洗、可视化、交叉验证。
4. 关键概念速查
- 张量：多维数组 + GPU 加速；shape、rank、dtype 三要素。
- 模型类型
- Layers：可查看、可修改，适合研究与微调。
- Graph：极致优化、黑盒部署，适合生产。
- 训练要素
- optimizer：sgd、adam、adamax 一行切换；
- loss：mse、binaryCrossentropy、categoricalCrossentropy；
- activation：ReLU、sigmoid、softmax 各司其职。
- 迁移学习三板斧
- 用现成卷积基模型提取特征；
- 冻结基模型，仅训练顶层分类器；
- 解冻部分层，做微调。
5. 实战亮点
- Webcam 实时检测：6 章末把 SSD MobileNet 接入摄像头，16 FPS 稳定运行。
- 哈利波特分院帽：10 章用 CNN 识别 10 类涂鸦，现场绘图实时反馈学院归属。
- 骰子艺术生成器：12 章把任意黑白图切成 N×N 块，模型预测每块用哪面朝上的骰子，生成实体像素画指南。
6. 学习路径推荐
- 速通路线：1→2→5→6 章，1 小时内让网页具备“识图+画框”能力。
- 系统路线：按顺序阅读，每章结尾完成 Chapter Challenge，12 章末交付完整作品。
- 查缺补漏：附录 A 速查问答 + 附录 B 习题答案，随时定位疑难。
7. 社区与延伸
- 关注 Twitter #MadeWithTFJS、TensorFlow YouTube 频道获取最新案例；
- 配套 GitHub 仓库提供全部代码及数据集；
- 推荐后续阅读：《AI and Machine Learning for Coders》《Deep Learning with JavaScript》继续深挖。
一句话总结：
《Learning TensorFlow.js》把机器学习高墙拆成了 JavaScript 工程师也能轻松跨越的阶梯，从“会用模型”到“会造模型”，再到“会部署模型”，一书打通。
