实际输出值和预期输出值之间存在着“误差”，这种“误差”在AI术语里被称作loss(损失)。而模型训练师们，也是把loss当做训练的把手。(loss值越小，说明模型训练的越成功嘛)
所以我们在使用模型的时候，未必能得出正确的答案。因为模型得出的结果会存在loss。
比如说，前阵子公司里app组的大佬们写了一个 程序员鉴定 app。入参 人物图像， 得出图像中人物为程序员的概率。
经过大家的鉴定，有些结果与现实存在一定误差。 什么是Tensorflow.js？
TensorFlow.js是一个开源的基于硬件加速的JavaScript库，用于训练和部署机器学习模型。谷歌推出的第一个基于TensorFlow的前端深度学习框架TensorFlow.js 是一个开源的用于开发机器学习项目的 WebGL-accelerated JavaScript 库。TensorFlow.js 可以为你提供高性能的、易于使用的机器学习构建模块，允许你在浏览器上训练模型，或以推断模式运行预训练的模型。TensorFlow.js 不仅可以提供低级的机器学习构建模块，还可以提供高级的类似 Keras 的 API 来构建神经网络。
不用安装驱动器和软件，通过链接即可分享程序
网页应用交互性更强
有访问GPS，Camera，Microphone，Accelerator，Gyroscope等传感器的标准api（主要是指手机端）
安全性，因为数据都是保存在客户端的
TensorFlow.js的应用方式：在浏览器中开发ML
使用简单直观的API从头构建模型，然后使用低级别的JavaScript线性代数库或高层API进行训练。
运行现有模型 ~~~我们不生产模型，我们只是模型的搬运工
使用TensorFlow.js模型转换器在浏览器中运行预训练好的TensorFlow模型。
重新训练现有模型
使用连接到浏览器的传感器数据或其他客户端数据重新训练ML模型。
// to https://github.com/melodyWxy/twa-tf.js/blob/master/tfjs_0.html
存储// to https://github.com/melodyWxy/twa-tf.js/blob/master/tfjs_1.html
// model.save(); // 本地存储（浏览器） localstorage:// await model.save('localstorage://my-model-1'); // IndexedDB（浏览器） indexeddb:// await model.save('indexeddb://my-model-1'); //IndexedDB 是大多数主流Web浏览器支持的另一个客户端数据存储。与本地存储不同，它更好地支持存储大型二进制数据（BLOB）和更大的配额。因此，tf.Model与本地存储相比，保存到IndexedDB通常可以提供更好的存储效率和更大的大小限制。 // 触发文件下载到客户端本地保存（浏览器） downloads:// await model.save('downloads://my-model-1'); //json + 一个二进制文件 // HTTP请求（浏览器） 要么 https:// POST请求的主体具有一个名为的格式 multipart/form-data。它是用于将文件上载到服务器的标准MIME格式。正文由两个文件组成，文件名model.json和文件名 model.weights.bin。 await model.save('http://model-server.domain/upload'); //简单的写法 await model.save(tf.io.browserHTTPRequest( //更详细的写法，便于控制post需求 'http://model-server.domain/upload', {method: 'PUT', headers: {'header_key_1': 'header_value_1'}})); // 文件系统（Node.js） file:// node-tf.js node端本地生成文件储存 await model.save('file:///tmp/my-model-1'); js导入模型// to https://github.com/melodyWxy/twa-tf.js/blob/master/tfjs_2.html
// tf.loadModel const model = await tf.loadModel('https://foo.bar/tfjs_artifacts/model.json'); // tf.loadLayersModel 导入Layers模型 const model = await tf.loadLayersModel('https://foo.bar/tfjs_artifacts/model.json'); tfjs导入模型的方式// to https://github.com/melodyWxy/twa-tf.js/blob/master/tfjs_2.html
layers 转 Keras
转keras是为了让python用 在python环境下 下载tensorflowjs这个转换器，即可将js-layers格式的模型转为python-keras模型
方案：
使用该file://方案将模型直接写入Node.js中的本机文件系统 。使用tensorflowjs转换器，您可以将这些文件转换为HDF5格式，然后可以将其加载到Python中的Keras中。例如：
pip install tensorflowjs tensorflowjs_converter \ --input_format tensorflowjs --output_format keras \ ./my-model-1.json /tmp/my-model-1.h5通过文件从Web浏览器下载，使用该downloads://方案
tfjs官方模型社区资源https://github.com/tensorflow/models/tree/master/research/slim
最后，如果你觉得这篇文章对你的知识广度和技术栈有所拓展，也许可以请笔者喝一杯咖啡？