JavaScript适合浏览器端轻量推理、实时预处理、教学演示和隐私敏感场景，但不适合训练大模型；常用库包括tfjs（通用）、ml5.js（易用）、brain.js（教学）、danfojs（数据处理），需避开CORS、内存泄漏、shape不匹配三大坑。
JavaScript 做机器学习完全可能，但有明确边界：它不适合训练大模型（比如从头训 ResNet 或 Llama），但在浏览器端做轻量推理、实时预处理、教学演示、隐私敏感场景（数据不出设备）上非常实用，而且生态已相当成熟。
哪些库真能用？按场景选，别硬套
新手常误以为“JS 也能像 Python 那样搞全栈 ML”，结果卡在内存爆掉或模型加载失败。实际选库得看你要干啥：
- @tensorflow/tfjs：最稳的通用选择。支持训练（CPU/WebGL）、迁移学习、加载 Keras 模型。适合图像分类、姿态估计、语音关键词检测等中等复杂度任务。注意：训练大模型会卡死页面，应冻结底层 + 替换顶层微调。
-
ml5.js：tfjs 的“傻瓜封装”。
ml5.imageClassifier()一行调用预训练模型，适合快速出原型、教育项目、艺术装置。不支持自定义训练，但ml5.soundClassifier()或ml5.poseNet()在摄像头流里跑得飞快。 -
brain.js：纯 JS、无依赖、可离线运行。适合数值预测（如温度趋势）、逻辑门、小规模时间序列。训练慢、没 GPU 加速，但
net.train()和net.run()极简，调试时能看到每层权重变化，是理解反向传播的好入口。 -
danfojs：JS 版 pandas。提供
df.dropNull()、df.groupby()等操作，专为数据清洗和特征工程设计。但它不是 ML 库——你得把它和 tfjs 或 brain.js 配合用，比如用 danfojs 归一化后转成tf.tensor()。
本地开发必踩的三个坑
90% 的“JS 机器学习跑不起来”问题，都出在环境或权限上，和代码本身无关：
-
CORS 报错：
Failed to load resource: net::ERR_FAILED：浏览器禁止从file://协议加载模型权重（.bin 文件）。必须用开发服务器启动，比如：npx http-server或npx live-server，不能双击 HTML 打开。 -
内存泄漏：
tf.memory().numTensors持续上涨：每次tf.tensor()都分配显存，不用时必须手动tensor.dispose()。漏掉几处，1 分钟后页面就卡死。建议在model.predict()后立刻 dispose 输入张量。 -
张量 shape 对不上：
Error: Input tensor must have rank 4：比如用tf.browser.fromPixels()读摄像头帧，返回的是 rank-3 张量（H×W×3），但 MobileNet 要求 rank-4（1×H×W×3）。得补一句：img.expandDims(0)。
从哪开始写第一行有效代码？
别碰 MNIST 或图像识别起步。先验证环境通不通，再加功能：
立即学习“Java免费学习笔记（深入）”；
const model = ml5.imageClassifier('MobileNet', () => {
console.log('模型加载完成');
// 注意：这里必须等回调执行完才能调用 predict
const img = document.getElementById('myImg');
model.classify(img, (err, results) => {
if (err) console.error(err);
else console.log(results[0].label); // 如 'coffee mug'
});
});这段代码依赖两个前提：① 页面有 <img id="myImg">；② 用 http-server 启的服务。只要这两点满足，30 秒内就能看到控制台输出识别结果——这才是入门该有的反馈节奏。
真正难的不是调 API，而是判断什么时候该用 tfjs 写 custom layer，什么时候该切回 Python 训练再导出；以及怎么把用户上传的一张图，安全、低延迟、不崩溃地喂给模型。这些边界感，比学会写 model.fit() 重要得多。
