TensorFlow.js Converter 支持的 TensorFlow 算子清单（Supported Ops）全面解析

• 人工智能
• 机器学习
• 深度学习
• 前端
• 后端

本文以 tfjs-converter 官方文档 supported_ops.md 为主体，系统梳理 TensorFlow 算子到 TensorFlow.js 算子的映射关系，并结合 operation_mapper.ts、operation_executor.ts 等源码剖析其背后的映射与执行机制，帮助读者在将 TF 模型转换为 TF.js 模型时快速判断算子可用性与用法。

一、本文档的定位与阅读方式

supported_ops.md是 tfjs-converter 中关于"TensorFlow 算子 → TensorFlow.js 算子"映射关系的官方索引文档。它回答了一个核心问题：我训练好的 TensorFlow / Keras 模型里用到的算子，能否被 TensorFlow.js 直接运行？

• 左列Tensorflow Op Name：模型导出的 GraphDef / SavedModel 中真实存在的算子名（如Conv2D、FusedBatchNormV3）。
• 右列Tensorflow.js Op Name：tfjs-converter 转换后实际调用的 TF.js API 名（如conv2d、batchNorm）。
• 部分行标注Not mapped：这些是 TF.js 侧提供的算子，但 TensorFlow 中没有可直接对应的算子（或仅存在于旧版/特定版本中）。它们通常由 TF.js 自定义算子或在转换后的图中以其他方式实现，因此出现在右列。

从源码结构看，这份清单并非手工硬编码，而是与src/operations/目录下的映射表一一对应。operation_mapper.ts在构造函数中加载了arithmetic, basicMath, control, convolution, creation, dynamic, evaluation, graph, hashTable, image, logical, matrices, normalization, reduction, sliceJoin, sparse, spectral, string, transformation这 19 个分类的 op 映射 JSON（operation_mapper.ts#L56-L70），并以tfOpName为键建立查找表。也就是说，文档中的每一行都对应源码中一条真实的映射记录。

1.1 映射（Mapper）与执行（Executor）的两级架构

要读懂这份清单，需要先理解 tfjs-converter 的两级处理流水线：

1. 映射阶段（OperationMapper）：把 TensorFlow GraphDef 中的NodeDef转换成 TF.js 内部的Node结构。核心逻辑在OperationMapper.mapNode()：先按tfOpName查表，找不到时回退到getRegisteredOp()注册的自定义算子，仍找不到则该节点映射为{}空 Mapper，错误延迟到运行期（源码注释明确指出 "Unsupported ops will cause an error at run-time (not parse time)"，见 operation_mapper.ts#L179-L183）。随后对每个节点的inputs（输入张量）与attrs（属性）逐一解析：输入通过mapper.inputs中定义的start/end索引定位，属性则依据string / number / bool / shape / dtype / func / tensor等类型分派到getStringParam、getNumberParam、getDtypeParam等解析函数（operation_mapper.ts#L216-L334）。

2. 执行阶段（OperationExecutor）：executeOp()依据节点的category分发到对应的 executor（arithmetic、basic_math、control、convolution、creation、dynamic、evaluation、graph、logical、matrices、normalization、reduction、slice_join、sparse、spectral、string、transformation、hash_table、custom），最终调用@tensorflow/tfjs-core的算子函数（operation_executor.ts#L55-L124）。

因此，supported_ops.md中的"分类"标题（如 Operations - Arithmetic）对应的是operation_executor.ts中的category分支；而"TF.js Op Name"对应各 executor 内部switch (node.op)后调用的具体 tfjs-core 函数。例如 Arithmetic 分类中的Add/AddV2/BiasAdd三个 TF 算子统一映射到ops.add，FloorMod/Mod映射到ops.mod，RealDiv/Div映射到ops.div（见 arithmetic_executor.ts#L31-L96）。

1.2 为什么文档值得逐表对照

在模型转换前逐表对照的意义在于：

• 预判失败点：如果模型包含清单之外的算子，转换本身（convert_graph_def）可能成功，但执行到该节点时才抛错。因为mapNode对未知算子不报错，错误发生在executeOp的default分支，抛出Unknown op 'xxx'并建议使用tf.registerOp()注册自定义执行（operation_executor.ts#L113-L117）。
• 选择等价替代：对Not mapped的算子，通常可以寻找 TF.js 侧的替代实现（如用conv2dTranspose替代反卷积、用topk替代TopKV2的部分场景）。
• 理解命名差异：TF 算子名与 TF.js API 名并不总是相同（如DepthwiseConv2dNativevsdepthwiseConv2d），清单能避免"按名索骥"的困惑。

二、算术（Arithmetic）与基础数学（Basic math）

2.1 算术算子

从 arithmetic_executor.ts 可以确认：Add、AddV2、BiasAdd三个 case 均调用ops.add(a, b)；RealDiv与Div都调用ops.div；FloorMod与Mod都调用ops.mod。这意味着模型中的BiasAdd在浏览器端会被当作普通加法执行——这解释了为何 TF.js 不需要单独实现BiasAdd内核。

使用建议：转换前若模型以AddV2（TF2.x 默认）或BiasAdd形式表达加法，TF.js 均可直接执行，无需修改图。

2.2 基础数学算子

这一分类覆盖了几乎全部常用的激活函数与基础数学函数。特别值得注意：

• 复数支持：Complex、ComplexAbs、Imag、Real表明 tfjs-converter 支持包含复数运算的模型（底层依赖 tfjs-core 的complex64数据类型，见parseDtypeParam中DT_COMPLEX64/DT_COMPLEX128 → 'complex64'的映射，operation_mapper.ts#L502-L504）。
• 激活函数家族：Relu、Relu6、LeakyRelu、Prelu、Elu、Selu、Softplus、Sigmoid、Tanh一应俱全，绝大多数 CNN/RNN 模型都不会在此分类遇阻。
• Not mapped的logSigmoid、step属于 TF.js 额外提供的 API，TensorFlow 中没有同名算子。

三、控制流（Control Flow）与图算子（Graph）

3.1 控制流：条件与循环

这是清单中最庞大的一类，支撑着tf.while_loop、tf.cond、TensorArray与TensorList结构。从 control_executor.ts 的实现看，While、If等算子会递归执行graph.library.function中定义的子图（mapFunction会把FunctionDef映射为独立的子Graph，见 operation_mapper.ts#L339-L405）。

实践提示：控制流算子在 TF 2.x 的 SavedModel 导出中非常常见（如动态 RNN、tf.map_fn、循环解码器）。如果模型转换后报Unknown op且算子名属于 TensorList/TensorArray 系列，请先确认所使用的 tfjs-converter 版本与本文档一致，因为该清单随版本持续扩充。

3.2 图算子（Graph）

Placeholder与Const在图映射中承担特殊角色：transformGraph会单独收集placeholders（模型输入）与weights（常量权重）列表（operation_mapper.ts#L81-L91）。FakeQuantWithMinMaxVars的存在意味着量化感知训练（QAT）导出的图可以在 TF.js 中运行（执行时按伪量化语义处理）。

四、卷积（Convolution）、图像（Images）与池化

4.1 卷积算子

以Conv2D为例，执行器会从节点属性中取出strides、pad、dataFormat（转为大写NHWC/NCHW）、dilations，然后调用ops.conv2d(x, filter, [stride[1], stride[2]], pad, dataFormat, [dilations[1], dilations[2]])（convolution_executor.ts#L103-L117）。_FusedConv2D则是 TF 图优化器融合了 bias 与激活（如Relu）后的算子，TF.js 通过ops.fused.conv2d一次性完成卷积+偏置+激活，显著减少内存往返（convolution_executor.ts#L119-L139）。

注意事项：

• 若希望模型走融合路径，需要在 TensorFlow 侧导出时启用图优化（Grappler 的_FusedConv2D融合），否则以标准Conv2D执行同样正确。
• Not mapped的pool（通用池化封装）与separableConv2D是 TF.js 侧提供的便捷 API，不是 TF 算子名。

4.2 图像算子

对象检测与图像预处理类模型（如 SSD、Faster R-CNN 的CropAndResize阶段）常用到本分类。ImageProjectiveTransformV3对应 TF.js 的transform（投影变换），用于仿射/透视变换类数据增强。

五、张量操作：创建、切片连接、变换与矩阵

5.1 张量创建（Creation）

注意 TF.js 的随机数算子名与 TF 一致，但随机种子行为由 TF.js 环境标志控制，转换后结果不一定与 Python 端逐位一致，属正常现象。

5.2 切片与连接（Slicing and Joining）

StridedSlice是tf.strided_slice的核心支撑，也是许多 TF 高层 API（如x[..., 1:]）编译后的底层算子，几乎每个实用模型都会用到。

5.3 变换（Transformations）

Cast依赖parseDtypeParam的数据类型映射表：DT_FLOAT/DT_HALF/DT_DOUBLE → float32、DT_INT32/DT_INT64/DT_INT8/DT_UINT8 → int32、DT_BOOL → bool、DT_STRING → string、DT_COMPLEX64/128 → complex64（operation_mapper.ts#L482-L510）。对未知 dtype，映射返回null且错误同样延迟到运行期。

5.4 矩阵运算（Matrices）与线性代数

_FusedMatMul与_FusedConv2D类似，是 Grappler 融合偏置/激活后的稠密层形态；Einsum让 Transformer 等模型的 attention 计算可以直接转换。

六、归约、归一化、逻辑、评估与哈希表

6.1 归约（Reduction）

6.2 归一化（Normalization）

FusedBatchNormV3在 TF 2.x 的tf.keras.layers.BatchNormalization导出图中十分常见。batchNorm、moments是 TF.js 侧的便捷 API（batchNorm对应tf.batchNorm，用于推理阶段的 BN 参数合并或自定义归一化）。

6.3 逻辑（Logical）与评估（Evaluation）

逻辑类：Equal、Greater、GreaterEqual、Less、LessEqual、NotEqual、LogicalAnd、LogicalOr、LogicalNot、Select、SelectV2、BitwiseAnd全部同名映射，另有 TF.js 侧补充的logicalXor。

评估类：TopKV2、Unique、UniqueV2、LowerBound、UpperBound同名映射；TF.js 侧提供topk、confusionMatrix、inTopKAsync。分类任务常用Softmax + topk组合：TopKV2直接可用，topk则用于 TF.js 原生代码中。

6.4 哈希表（Hashtable）

HashTable/HashTableV2、LookupTableFind/Import/Size（含 V2 变体）全部同名映射。哈希表算子依赖ResourceManager管理全局资源——这也是executeOp中唯一需要传入resourceManager参数的分支（operation_executor.ts#L102-L104）。此类算子多见于特征工程类模型（如 Wide & Deep 的 embedding lookup）。

七、RNN、Scan、Segment、Spectral、Signal 与动态算子

7.1 RNN 与 Scan

文档中Tensors - RNN 分类目前为空，即没有列出的 TF 算子；但 RNN 模型并非不可转换——其展开后的 LSTM/GRU 单元算子（MatMul、Sigmoid、Tanh、Add、Mul 等）分别落在前文各分类中，动态长度展开则依赖控制流分类的While/TensorArray。

Scan 分类：Cumprod → cumprod、Cumsum → cumsum，支持前缀扫描类算法。

7.2 Segment 与动态（Dynamic）

• Segment：Not mapped → unsortedSegmentSum（TF.js 侧 API，对应 TF 的UnsortedSegmentSum；从源码分类看，稀疏/不规则张量能力由sparse_executor与ragged_executor支撑）。
• Dynamic：ListDiff、NonMaxSuppressionV2/V3/V4/V5、Where全部同名映射。NMS 系列是目标检测后处理的标配，V2~V5 的完整支持意味着检测模型通常可以端到端转换。

7.3 谱（Spectral）与信号（Signal）

• Spectral：FFT/IFFT/RFFT/IRFFT → fft/ifft/rfft/irfft，支持音频/信号处理类模型的频谱变换。
• Signal：frame、hammingWindow、hannWindow、stft均为Not mapped（TF.js 侧补充的音频窗口/短时傅里叶工具），TF 中对应算子请使用tf.signal.frame、tf.signal.stft导出前的预处理替代。

八、移动平均（Moving Average）

Not mapped → movingAverage：该分类服务于指数滑动平均（EMA）场景。虽然 TF 侧未列出同名算子，但 TF.js 提供movingAverage便于在浏览器中实现参数滑动平均更新（如在线学习或模型微调）。

九、如何确认你的模型算子是否支持

由于文档随 tfjs-converter 版本演进，最可靠的做法是结合源码三层确认：

1. 对照清单：快速浏览本文档对应分类。
2. 查映射表源码：OperationMapper构造函数加载的 19 个分类映射（operation_mapper.ts#L56-L70）与本文档同源；也可直接查看 op_mapper_schema.ts 中OpMapper的 JSON Schema（category/inputs/attrs字段定义），理解一条映射记录由哪些字段构成。
3. 查执行器源码：在 executors 目录 中找到对应分类的 executor，看switch (node.op)是否包含你的算子。若包含，则可确认该算子在该版本中可执行；若不包含但映射表存在，说明属于"已映射但待执行实现"的边缘情况。

兜底方案：对清单外的算子，使用tf.registerOp()（导出自 tfjs-converter/src/index.ts）注册自定义 OpExecutor——executeOp的custom分支会优先调用注册的执行器（operation_executor.ts#L105-L112），并在NodeValueImpl的封装下访问节点输入与属性（custom_op/node_value_impl.ts）。

十、总结

supported_ops.md是一份随版本持续生长的清单：文档中每一行都与 operation_mapper.ts 加载的映射表、operation_executor.ts 的分发逻辑一一对应。对于清单内算子，转换即可用；对于清单外算子，错误会延迟到运行期抛出。建议在转换前导出模型算子清单，与本文档逐项核对，必要时结合tf.registerOp()补齐自定义算子，从而保证模型在浏览器与 Node.js 端的完整可运行性。

• 人工智能
• 机器学习
• 深度学习
• 前端
• 后端