2、核心概念：张量（Tensor）的创建、操作与运算、变量与内存管理

好，咱们进入正题。张量，说白了就是 TensorFlow.js 里的「数据容器」。你想想看，不管你是处理图片、文字还是音频，最终都得变成数字塞进这个容器里。我刚开始接触时，总觉得这玩意儿不就是个数组吗？后来踩了坑才明白——它比数组聪明得多。

2.1 张量的创建：从零开始造数据

创建张量，我习惯用 tf.tensor() 这个万能方法。但说实话，日常开发中我更常用它的几个「快捷方式」。

2.1.1 从普通数组创建

// 一维张量（向量）
const vec = tf.tensor([1, 2, 3, 4, 5]);
vec.print(); // [1, 2, 3, 4, 5]

// 二维张量（矩阵）
const mat = tf.tensor([[1, 2], [3, 4], [5, 6]]);
mat.print(); 
// [[1, 2],
//  [3, 4],
//  [5, 6]]

// 三维张量（比如一张 RGB 小图）
const imgData = tf.tensor([
  [[255, 0, 0], [0, 255, 0]],
  [[0, 0, 255], [255, 255, 0]]
]);
imgData.print(); // shape: [2, 2, 3]

嗯，这里要注意：tf.tensor() 会自动推断数据类型。如果你需要整数型，记得用 tf.tensor(..., 'int32')。我曾经在模型推理时因为默认浮点型导致精度对不上，排查了半天……

2.1.2 专用创建函数

函数	说明	示例
tf.scalar()	创建零维张量（标量）	tf.scalar(3.14)
tf.zeros()	全零张量	tf.zeros([3, 4])
tf.ones()	全一张量	tf.ones([2, 2])
tf.fill()	填充指定值	tf.fill([2, 3], 7)
tf.randomNormal()	正态分布随机数	tf.randomNormal([100])
tf.range()	生成等差数列	tf.range(0, 10, 2)

2.2 张量的操作：形状变换与数据提取

创建完张量，下一步就是操作它。说白了，就是「揉捏」这个数据块。

2.2.1 形状操作

const a = tf.tensor([[1, 2, 3], [4, 5, 6]]);
console.log(a.shape); // [2, 3]

// 重塑形状
const b = a.reshape([3, 2]);
b.print(); 
// [[1, 2],
//  [3, 4],
//  [5, 6]]

// 展平成一维
const c = a.flatten();
c.print(); // [1, 2, 3, 4, 5, 6]

这里有个坑：reshape 不会改变数据在内存中的排列顺序。它只是换了个「视角」看数据。我曾经以为 reshape 会重新排列数据，结果模型训练出来的结果完全不对……

2.2.2 切片与拼接

const data = tf.tensor([[1, 2, 3], [4, 5, 6], [7, 8, 9]]);

// 切片：取第1行到第2行，第0列到第1列
const slice = data.slice([1, 0], [2, 2]);
slice.print(); 
// [[4, 5],
//  [7, 8]]

// 拼接
const a = tf.tensor([[1, 2]]);
const b = tf.tensor([[3, 4]]);
const concat = tf.concat([a, b], 0); // 按行拼接
concat.print(); // [[1, 2], [3, 4]]

2.3 张量的运算：数学才是灵魂

张量运算分两类：逐元素运算和矩阵运算。我刚开始时总搞混，后来记住一句话——「逐元素就是对应位置算，矩阵运算看维度」。

2.3.1 逐元素运算

const a = tf.tensor([1, 2, 3]);
const b = tf.tensor([4, 5, 6]);

// 加法
a.add(b).print(); // [5, 7, 9]

// 乘法（逐元素乘）
a.mul(b).print(); // [4, 10, 18]

// 平方
a.square().print(); // [1, 4, 9]

// 激活函数
a.relu().print(); // [1, 2, 3]（负数会被截断为0）

2.3.2 矩阵运算

const matA = tf.tensor([[1, 2], [3, 4]]);
const matB = tf.tensor([[5, 6], [7, 8]]);

// 矩阵乘法
const result = matA.matMul(matB);
result.print();
// [[19, 22],
//  [43, 50]]

// 转置
const transposed = matA.transpose();
transposed.print();
// [[1, 3],
//  [2, 4]]

2.4 变量与内存管理：别让你的浏览器崩了

这是很多新手容易忽略的地方。TensorFlow.js 跑在浏览器里，内存有限。如果你不注意管理，页面会越来越卡，最后直接崩溃。我踩过这个坑，那次演示时页面卡死，场面一度非常尴尬……

2.4.1 变量（Variable）

张量是不可变的，但模型训练需要更新参数。这时候就需要 tf.Variable。

// 创建变量
const w = tf.variable(tf.randomNormal([2, 3]));
console.log(w.value()); // 获取当前值

// 更新变量
w.assign(tf.ones([2, 3]));
console.log(w.value()); // 全1矩阵

变量说白了就是「可变的张量」。模型训练时，优化器会调用 assign 来更新权重。我个人习惯把所有可训练参数都声明为变量，这样一目了然。

2.4.2 内存管理：手动释放的艺术

TensorFlow.js 默认会跟踪所有张量。如果你创建了张量却不释放，内存会越堆越多。

// 方法一：手动 dispose
const a = tf.tensor([1, 2, 3]);
const b = a.square();
// 用完后释放
a.dispose();
b.dispose();

// 方法二：使用 tf.tidy（推荐）
const result = tf.tidy(() => {
  const a = tf.tensor([1, 2, 3]);
  const b = a.square();
  return b; // 只保留 b，a 自动释放
});
// 此时 a 已被释放，result 保留

2.4.3 内存泄漏排查

// 查看当前内存状态
console.log(tf.memory());

// 输出示例：
// {
//   numTensors: 15,    // 当前张量数量
//   numDataBuffers: 10, // 数据缓冲区数量
//   numBytes: 4096     // 占用字节数
// }

如果你发现 numTensors 只增不减，那肯定有地方没释放。我排查时习惯在关键位置打印 tf.memory()，看看到底是哪个环节出了问题。

2.5 实战小技巧：我踩过的坑

• 数据类型不匹配： 模型要求 float32，你传了 int32，运算会报错。统一用 tf.cast() 转换。
• 形状不对： 矩阵乘法时，A 的列数必须等于 B 的行数。我习惯在运算前打印 .shape 确认。
• 忘记释放： 写一个工具函数，每次创建张量后自动注册释放逻辑。我写了个 createTrackedTensor 函数，省了不少事。
• 变量初始化： 不要全零初始化，会导致梯度消失。用 tf.randomNormal 或 Xavier 初始化。

好了，张量的核心概念就这些。说白了就是三件事：创建数据、操作数据、管理内存。下一章咱们会把这些知识用到实际模型里，到时候你会发现——嗯，基础打牢了，后面就顺了。