⚙️ Bagaimana TensorFlow.js Memilih Backend: WASM, WebGL, dan C++

TensorFlow.js sebenarnya bukan hanya library JavaScript untuk AI, tapi juga lapisan abstraksi di atas berbagai backend engine yang bisa menjalankan operasi matematika (tensor ops).
Jadi, saat kamu menulis:

const y = tf.matMul(a, b);

TensorFlow.js tidak langsung menghitung di JavaScript, tapi mengoper ke backend (WASM, WebGL, atau C++) yang paling cocok dan cepat di lingkungan tersebut.

---

🧩 1. Arsitektur Umum TensorFlow.js

+---------------------------+
|   Your Code (JavaScript)  |
+---------------------------+
            ↓
+---------------------------+
|   TensorFlow.js Core API  |
+---------------------------+
            ↓
+---------------------------+
|   Backend:                |
|   • WebGL (GPU Browser)   |
|   • WASM (CPU Browser)    |
|   • Node (C++)            |
|   • WebGPU (eksperimen)   |
+---------------------------+

---

⚙️ 2. Jenis Backend dan Karakteristiknya

---

🔍 3. Bagaimana TensorFlow.js Menentukan Backend

TensorFlow.js punya mekanisme auto-detect dan fallback seperti ini:

1. Cek environment

   • Apakah sedang di browser, Node.js, Deno, atau Bun?

   • Apakah punya GPU/WebGL?

2. Pilih backend default

   • Browser modern → webgl

   • Browser ringan (tanpa GPU) → wasm

   • Node.js → tensorflow (C++ binding)

   • Kalau semuanya gagal → cpu

3. Fallback otomatis
   Jika backend gagal inisialisasi (misal WebGL tidak tersedia), ia akan turun ke backend berikutnya (misal ke WASM, lalu CPU).

---

🧠 4. Kamu Bisa Memilih Manual!

TensorFlow.js juga membolehkan developer memilih backend sendiri untuk kontrol performa.

✅ Contoh di Browser:

import * as tf from '@tensorflow/tfjs';
import '@tensorflow/tfjs-backend-wasm';

// Pilih backend WASM
await tf.setBackend('wasm');
await tf.ready();

console.log('Backend aktif:', tf.getBackend());

✅ Contoh di Node.js:

import * as tf from '@tensorflow/tfjs-node';

// Akan otomatis pakai backend 'tensorflow'
console.log('Backend aktif:', tf.getBackend()); // 'tensorflow'

---

⚡ 5. Ilustrasi Alur Pemilihan Backend

---

🧬 6. Benchmark Kasar

📊 Artinya:

• webgl & tensorflow paling cepat untuk GPU/Server.

• wasm stabil dan portabel.

• cpu hanya fallback terakhir.

---

🧩 7. Use Case Rekomendasi

---

⚙️ 8. Bonus: Kombinasi Multi-Backend

TensorFlow.js mendukung hot-swap backend — kamu bisa ganti backend di runtime tanpa restart:

await tf.setBackend('wasm');
// inference ringan di browser
...
await tf.setBackend('webgl');
// sekarang jalankan model lebih berat di GPU

Ini sangat berguna kalau kamu ingin menyesuaikan performa dengan device pengguna.

---

🧭 Kesimpulan

🧠 Jadi, TensorFlow.js memilih backend berdasarkan environment dan ketersediaan hardware, dan kamu bisa override pilihan itu sesuai kebutuhan project.