通过TensorFlow.js可在浏览器中直接运行机器学习模型，1. 引入CDN脚本加载库；2. 加载预训练模型如MobileNet；3. 将图像转为张量并推理；4. 使用dispose或tidy管理内存，实现高效、隐私安全的前端AI推理。
在浏览器中运行机器学习模型可以通过 TensorFlow.js 实现，它允许你直接在前端加载和推理预训练模型，无需后端支持。整个过程不依赖服务器计算，响应快且保护用户隐私。
1. 引入 TensorFlow.js
最简单的方式是通过 CDN 在 HTML 文件中引入 TensorFlow.js：
<script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs"></script>引入后，你就可以在 JavaScript 中使用 tf 全局变量进行模型操作和张量计算。
2. 加载预训练模型
你可以加载已经转换为 TensorFlow.js 格式的模型。常见来源包括：
- TensorFlow.js 官方提供的模型（如 coco-ssd、mobilenet）
- 自己用 Python 训练后导出的模型，再用 tfjs-converter 转换
以加载 MobileNet 为例：
import * as tf from '@tensorflow/tfjs';const model = await tf.loadLayersModel('model.json');
或使用官方封装好的模型：
const net = await mobilenet.load();
3. 预处理输入并执行推理
大多数图像模型需要将图像转换为张量。例如，从一个 img 元素获取数据：
const img = document.getElementById('myImage');const tensor = tf.browser.fromPixels(img)
.resizeNearestNeighbor([224, 224])
.toFloat()
.expandDims();
然后执行预测：
const prediction = await net.classify(tensor);console.log(prediction);
对于自定义模型，使用 model.predict(tensor) 获取输出。
4. 释放资源
张量和中间结果会占用显存，推理完成后应手动清理：
tensor.dispose();// 或批量清理
tf.dispose([tensor, output]);
也可以使用 tf.tidy() 自动管理内存：
tf.tidy(() => {const result = model.predict(input);
return result;
});
基本上就这些。只要模型已转成 Web 友好格式，TensorFlow.js 能在多数现代浏览器中高效运行推理任务，适合做图像分类、姿态检测、文本生成等轻量级 AI 功能。关键点是模型格式正确、输入预处理匹配训练方式，以及注意内存管理。
