一、tf.tensor 展开
tf.tensor 是 TensorFlow.js 中的一个基本数据结构，用于表示一维到 n 维的数组、矩阵以及向量等多种数据类型，是神经网络训练过程中不可或缺的基础。tf.tensor 的底层实现基于 WebGL 和 WebAssembly，使其在 GPU 和 CPU 上都具有高效的性能表现，在提供数学计算的同时，也可以实现数据共享。
二、tf.tensor含有none
在 TensorFlow.js 中，tf.tensor 是一个数据结构而不是一个具体的数据类型，可以存储浮点数、整数、布尔等各种类型的数据。在创建 tf.tensor 时，可以使用 none 对数据类型进行不确定的占位，此时 TensorFlow.js 会根据具体数据类型进行自动推断。
// 创建包含 none 的 tf.tensor
const tensor1 = tf.tensor([1, 2, 3, 4], [2, 2, none]);
// 自动推断数据类型
console.log(tensor1.dtype); // float32
三、tf.tensordot
tf.tensor 中的 tensordot 方法可以实现张量之间的乘积运算，相当于将矩阵相乘，但是可以支持任意多个维度的张量。tf.tensordot 可以接收两个张量和两个张量的轴，分别对应张量乘积的两个维度，也可以只传入一个参数表示两个张量进行全连接操作。
// tensordot运算
const tensor2 = tf.tensor([[1, 2, 3], [4, 5, 6]]);
const tensor3 = tf.tensor([[7, 8], [9, 10], [11, 12]]);
const tensor4 = tf.tensordot(tensor2, tensor3, [[1], [0]]);
// 打印结果
tensor4.print(); // [[58, 64], [139, 154]]
四、tf.tensor 计算cos
tf.tensor 中的 cosineSimilarity 方法可以计算两个向量之间的 cosine 相似度，是自然语言处理领域经常使用的一种文本相似度度量方法。cosineSimilarity 方法支持接收两个 tf.tensor 向量，并且会返回其相似度值。
// 计算cos相似度
const a = tf.tensor([[1, 2, 3], [4, 5, 6]]);
const b = tf.tensor([[7, 8, 9], [10, 11, 12]]);
const similarity = tf.losses.cosineSimilarity(a, b);
// 打印结果
similarity.print(); // [0,9999999 0,99999994]
五、tf.tensorspec
在 TensorFlow.js 中，可以使用 tf.tensorspec 来指定要创建的张量具体参数。tf.tensorspec 是一个 JSON 对象，可包含张量的形状（shape）、数据类型（dtype）等属性。
// 使用tensorspec创建tf.tensor
const shape = [2, 3];
const dtype = "float32";
const data = [1, 2, 3, 4, 5, 6];
const tensor5 = tf.tensor(data, shape, dtype);
const tensor6 = tf.tensor(data, {shape, dtype});
// 打印结果
tensor5.print(); // [[1, 2, 3], [4, 5, 6]]
tensor6.print(); // [[1, 2, 3], [4, 5, 6]]
六、tf.tensor取值
可以使用 tf.tensor 中的 array 方法获取 tf.tensor 中的数据内容。array 方法会返回一个数组，其中包含了 tf.tensor 中的数值元素。
// 获取tf.tensor的值
const tensor7 = tf.tensor([[1, 2], [3, 4]]);
const arr = tensor7.array();
// 打印结果
console.log(arr); // [[1, 2], [3, 4]]
七、tf.tensorshape
tf.tensor 中的 shape 属性返回 tf.tensor 的形状，即一个数组，其中包含了每个维度的大小。可以使用 reshape 方法重塑形状或者使用 rank 方法获取 tf.tensor 的秩（rank）。
// 获取tensorshape的值
const tensor8 = tf.tensor([[1, 2], [3, 4]]);
console.log(tensor8.shape); // [2, 2]
console.log(tensor8.rank); // 2
// 改变形状
const tensor9 = tensor8.reshape([4]);
console.log(tensor9.toString()); // [1, 2, 3, 4]
八、tf.tensorarray
tf.tensor 中的 unstack 方法可以将一个具有 n 个元素的张量（tensor）按照某一维度（axis）进行切片，返回一个 n 个张量组成的数组。可以使用 stack 方法将一个张量数组（array）沿着某一维度（axis）合并成一个张量。
// 实现tensorarray功能
const tensor10 = tf.tensor([[1, 2], [3, 4], [5, 6]]);
const tensorArray = tensor10.unstack();
const stacked = tf.stack(tensorArray, 1);
// 打印结果
stacked.print(); // [[1,2],[3,4],[5,6]]
九、tf.tensordot 用法
tf.tensordot 是一个非常常用的张量操作，该方法支持对两个不同张量进行任意维度的乘积运算。因为支持不同维度的操作，本身有许多用法。
// 多种tensordot实现
const a = tf.tensor([[1, 2], [3, 4]]);
const b = tf.tensor([[2, 3], [4, 5]]);
const c = tf.tensor([[1, 2, 3], [4, 5, 6]]);
const d = tf.tensor([[7, 8], [9, 10], [11, 12]]);
const res1 = tf.tensordot(a, b, 1);
const res2 = tf.tensordot(a, b, [[1], [0]]);
const res3 = tf.tensordot(c, d, [[1], [0]]);
const res4 = tf.tensordot(a, c, [[1], [0]]);
// 打印结果
res1.print(); // [[10, 13], [22, 29]]
res2.print(); // [[16, 19], [22, 26]]
res3.print(); // [[58, 64], [139, 154]]
res4.print(); // [[ 9, 12, 15], [19, 26, 33]]
