簡介

機器學習在全球范圍內越來越受歡迎和使用。 它已經(jīng)徹底改變了某些應用程序的構建方式，并且可能會繼續(xù)成為我們日常生活中一個巨大的（并且正在增加的）部分。
沒有什么包裝且機器學習并不簡單。 它對許多人來說似乎非常復雜并常常令人生畏。
像谷歌這樣的公司將自己的機器學習概念與開發(fā)人員聯(lián)系起來，在谷歌幫助下讓他們逐漸邁出第一步，故TensorFlow的框架誕生了。

TensorFlow為何物？

TensorFlow是由谷歌使用Python和C++開發(fā)的開源機器學習框架。
它可以幫助開發(fā)人員輕松獲取數(shù)據(jù)，準備和訓練模型，預測未來狀態(tài)，以及執(zhí)行大規(guī)模機器學習。
有了它，我們可以訓練和運行深度神經(jīng)網(wǎng)絡的內容，諸如光學字符識別，圖像識別/分類，自然語言處理等。

張量與操作

TensorFlow基于計算圖，你可以將其想象為具有節(jié)點和邊的經(jīng)典圖。
每個節(jié)點被稱為操作，它們將零個或多個張量輸入并產生零個或多個張量輸出。 操作可以非常簡單，例如基本的添加，但它們也可以非常復雜。
張量被描繪為圖的邊緣，并且是核心數(shù)據(jù)單元。 當我們將它們提供給操作時，我們在這些張量上執(zhí)行不同的功能。 它們可以具有單個或多個維度，有時也稱為它們的等級(標量：等級0，向量：等級1，矩陣：等級2)。
這些數(shù)據(jù)受到操作的影響通過張量傳遞到計算圖中，故而稱為TensorFlow。
張量可以以任意數(shù)量的維度存儲數(shù)據(jù)，并且有三種主要類型的張量：占位符，變量和常量。

安裝TensorFlow

使用Maven，安裝TensorFlow就像包含依賴項一樣簡單：

<dependency>
  <groupId>org.tensorflow</groupId>
  <artifactId>tensorflow</artifactId>
  <version>1.15.0</version>
</dependency>

如果你的設備支持GPU功能，可以添加以下依賴：

<dependency>
  <groupId>org.tensorflow</groupId>
  <artifactId>libtensorflow</artifactId>
  <version>1.15.0</version>
</dependency>
<dependency>
  <groupId>org.tensorflow</groupId>
  <artifactId>libtensorflow_jni_gpu</artifactId>
  <version>1.15.0</version>
</dependency>

你可以使用TensorFlow對象來檢查當前操作的TensorFlow的版本。

System.out.println(TensorFlow.version());

TensorFlow的JavaAPI

Java API TensorFlow提供包含在org.tensorflow包中。 它目前是實驗性的，因此不能保證其穩(wěn)定性。
需要注意的是TensorFlow唯一完全支持的語言是Python，Java API幾乎沒有什么功能。
API向我們介紹了新的類，接口，枚舉和異常。

類

通過API引入的新類是：

• Graph：表示TensorFlow計算的數(shù)據(jù)流圖；
• Operation：在Tensors上執(zhí)行計算的Graph節(jié)點；
• OperationBuilder：Operations的構建器類；
• Output：操作產生的張量的符號句柄；
• SavedModelBundle：表示從存儲加載的模型；
• SavedModelBundle.Loader：提供加載SavedModel的選項；
• Server：進程內TensorFlow服務器，用于分布式訓練；
• Session：圖形執(zhí)行的驅動程序；
• Session.Run：輸出執(zhí)行會話時獲得的張量和元數(shù)據(jù)；
• Session.Runner：運行操作并評估張量；
• Shape：由操作產生的可能部分已知的張量形狀；
• Tensor：靜態(tài)類型的多維數(shù)組，其元素是由T描述的類型；
• TensorFlow：描述TensorFlow運行時的靜態(tài)實用程序方法；
• Tensors：用于創(chuàng)建張量對象的類型安全工廠方法；

枚舉

DataType：將張量中的元素類型表示為枚舉；

接口

Operand：由TensorFlow操作的操作數(shù)實現(xiàn)的接口；

異常

TensorFlowException：執(zhí)行TensorFlow圖時拋出的未經(jīng)檢查的異常
如果我們將所有這些與Python中的tf模塊進行比較將發(fā)現(xiàn)存在明顯的區(qū)別。 Java API沒有幾乎相同的功能，至少目前如此。

圖(Graphs)

如前所述，TensorFlow基于計算圖 - 其中org.tensorflow.Graph是Java的實現(xiàn)。
注意：它的實例是線程安全的，盡管我們需要在完成它之后顯式釋放Graph使用的資源。

讓我們從一個空圖開始：

Graph graph = new Graph();

該對象是空的，所以這個圖表意義不大。 要對它做任何操作，我們首先需要使用Operations加載它。
我們使用opBuilder()方法來加載它，它返回一個OperationBuilder對象，一旦我們調用.build()方法，它就會將操作添加到我們的圖形中。

常量

讓我們在圖表中添加一個常量：

Operation x = graph.opBuilder("Const", "x")
               .setAttr("dtype", DataType.FLOAT)
               .setAttr("value", Tensor.create(3.0f))
               .build(); 

占位符

占位符是變量的“類型”，聲明時沒有賦值，他們的值將在之后進行分配。 這允許我們使用沒有任何實際數(shù)據(jù)的操作來構建圖形：

Operation y = graph.opBuilder("Placeholder", "y")
        .setAttr("dtype", DataType.FLOAT)
        .build();

函數(shù)

最后為了解決這個問題，我們需要添加某些函數(shù)。 這些可以像乘法，除法或加法一樣簡單，也可以像矩陣乘法一樣復雜。 和之前一樣，我們使用.opBuilder()方法定義函數(shù)：

Operation xy = graph.opBuilder("Mul", "xy")
  .addInput(x.output(0))
  .addInput(y.output(0))
  .build();  

注意：我們使用input(0)作為張量可以有多個輸出。

圖形可視化

遺憾的是，Java API還沒有包含任何允許像Python中一樣可視化圖形的工具。

會話(Sessions)

如前所述，Session是Graph的驅動程序。 它封裝了執(zhí)行Operation和Graph計算張量(tensors)的環(huán)境。
這意味著我們構建的圖(graph)中的張量(tensors)實際上并沒有任何值，因為我們沒有在會話(session)中運行圖形(graph)。
我們首先將圖表添加到會話(session)中：

Session session = new Session(graph);

我們的操作知識簡單地將x于y相乘，為了運行我們的圖(graph)并得到計算結果，我們需要使用fetch()獲取到xy的操作并為其提供x和y的值：

Tensor tensor = session.runner().fetch("xy").feed("x", Tensor.create(5.0f)).feed("y", Tensor.create(2.0f)).run().get(0);
System.out.println(tensor.floatValue());

運行這段代碼將產生的結果如下：

10.0f

Java當中加載Python中Saving模塊

這可能聽起來有點奇怪，但由于Python是唯一受到良好支持的語言，因此Java API仍然沒有保存模型的功能。
這意味著Java API僅用于服務用例，至少在TensorFlow完全支持之前。 目前至少我們可以使用SavedModelBundle類在Python中訓練和保存模型，然后使用Java加載它們來為它們提供服務：

SavedModelBundle model = SavedModelBundle.load("./model", "serve"); 
Tensor tensor = model.session().runner().fetch("xy").feed("x", Tensor.create(5.0f)).feed("y", Tensor.create(2.0f)).run().get(0);  
System.out.println(tensor.floatValue());

結論

TensorFlow是一個功能強大且廣泛使用的框架。 它不斷得到改進，并最近被引入新語言：包括Java和JavaScript。
盡管Java API還沒有像TensorFlow在Python中那么多的功能，但它仍然可以作為向Java開發(fā)人員介紹TensorFlow的一個很好的開始。

到此這篇關于如何使用Java操作TensorFlow的文章就介紹到這了,更多相關Java操作TensorFlow內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論