TensorFlow.js 是可用 JavaScript 開發機器學習的程式庫
以 JavaScript 開發機器學習模型，並直接在瀏覽器或 Node.js 中使用機器學習。
運作方式
執行現有模型
使用現成的 JavaScript 模型或轉換 Python TensorFlow 模型，以便在瀏覽器作業或利用 Node.js 執行。
重新訓練現有模型
使用你自己的資料，重新訓練現有的機器學習模型。
以 JavaScript 開發機器學習
透過彈性且操作直覺的 API，直接使用 JavaScript 建構及訓練模型。
High Fidelity Pose Tracking with MediaPipe BlazePose and TensorFlow.js
Achieve higher accuracy and performance in pose detection with MediaPipe BlazePose, a 33-keypoint pose estimation model capable of running in real-time.
使用 TensorFlow.js 在網路上直接執行 TensorFlow Lite 模型
重複使用最佳化的 TF Lite 模型，並透過 WebAssembly 在瀏覽器中執行模型，不必重新編寫 JavaScript，就能統合行動和網路機器學習部署。我們的新 TF.js Task API 支援各種模型和後端。
使用機器學習技術預先擷取網頁，以加快網站速度
使用網站導覽資料訓練自訂機器學習模型來預測後續會瀏覽的網頁，同時使用 Angular 應用程式預先擷取內容並提升網站速度，以改善網站使用者體驗。
使用 TensorFlow.js 打造新世代網頁應用程式的機器學習技術 (Google I/O 大會)
獲得 TensorFlow.js 的高階總覽，並瞭解目前用途、今年的新功能、未來計畫，以及如何參與我們新組成的特殊興趣團隊和工作團隊。
