簡(jiǎn)介

機(jī)器學(xué)習(xí)在全球范圍內(nèi)越來(lái)越受歡迎和使用。 它已經(jīng)徹底改變了某些應(yīng)用程序的構(gòu)建方式，并且可能會(huì)繼續(xù)成為我們?nèi)粘Ｉ钪幸粋€(gè)巨大的（并且正在增加的）部分。
沒(méi)有什么包裝且機(jī)器學(xué)習(xí)并不簡(jiǎn)單。 它對(duì)許多人來(lái)說(shuō)似乎非常復(fù)雜并常常令人生畏。
像谷歌這樣的公司將自己的機(jī)器學(xué)習(xí)概念與開(kāi)發(fā)人員聯(lián)系起來(lái)，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(kāi)發(fā)的開(kāi)源機(jī)器學(xué)習(xí)框架。
它可以幫助開(kāi)發(fā)人員輕松獲取數(shù)據(jù)，準(zhǔn)備和訓(xùn)練模型，預(yù)測(cè)未來(lái)狀態(tài)，以及執(zhí)行大規(guī)模機(jī)器學(xué)習(xí)。
有了它，我們可以訓(xùn)練和運(yùn)行深度神經(jīng)網(wǎng)絡(luò)的內(nèi)容，諸如光學(xué)字符識(shí)別，圖像識(shí)別/分類，自然語(yǔ)言處理等。

張量與操作

TensorFlow基于計(jì)算圖，你可以將其想象為具有節(jié)點(diǎn)和邊的經(jīng)典圖。
每個(gè)節(jié)點(diǎn)被稱為操作，它們將零個(gè)或多個(gè)張量輸入并產(chǎn)生零個(gè)或多個(gè)張量輸出。 操作可以非常簡(jiǎn)單，例如基本的添加，但它們也可以非常復(fù)雜。
張量被描繪為圖的邊緣，并且是核心數(shù)據(jù)單元。 當(dāng)我們將它們提供給操作時(shí)，我們?cè)谶@些張量上執(zhí)行不同的功能。 它們可以具有單個(gè)或多個(gè)維度，有時(shí)也稱為它們的等級(jí)(標(biāo)量：等級(jí)0，向量：等級(jí)1，矩陣：等級(jí)2)。
這些數(shù)據(jù)受到操作的影響通過(guò)張量傳遞到計(jì)算圖中，故而稱為TensorFlow。
張量可以以任意數(shù)量的維度存儲(chǔ)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(xiàng)一樣簡(jiǎn)單：

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

如果你的設(shè)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(duì)象來(lái)檢查當(dāng)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(shí)驗(yàn)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(yǔ)言是Python，Java API幾乎沒(méi)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(guò)API引入的新類是：

• Graph：表示TensorFlow計(jì)算的數(shù)據(jù)流圖；
• Operation：在Tensors上執(zhí)行計(jì)算的Graph節(jié)點(diǎn)；
• OperationBuilder：Operations的構(gòu)建器類；
• Output：操作產(chǎn)生的張量的符號(hào)句柄；
• SavedModelBundle：表示從存儲(chǔ)加載的模型；
• SavedModelBundle.Loader：提供加載SavedModel的選項(xiàng)；
• Server：進(jìn)程內(nèi)TensorFlow服務(wù)器，用于分布式訓(xùn)練；
• Session：圖形執(zhí)行的驅(qū)動(dòng)程序；
• Session.Run：輸出執(zhí)行會(huì)話時(shí)獲得的張量和元數(shù)據(jù)；
• Session.Runner：運(yùn)行操作并評(píng)估張量；
• Shape：由操作產(chǎn)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(yùn)行時(shí)的靜態(tài)實(shí)用程序方法；
• Tensors：用于創(chuàng)建張量對(duì)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(shí)現(xiàn)的接口；

異常

TensorFlowException：執(zhí)行TensorFlow圖時(shí)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(jìn)行比較將發(fā)現(xiàn)存在明顯的區(qū)別。 Java API沒(méi)有幾乎相同的功能，至少目前如此。

圖(Graphs)

如前所述，TensorFlow基于計(jì)算圖 - 其中org.tensorflow.Graph是Java的實(shí)現(xiàn)。
注意：它的實(shí)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(gè)空?qǐng)D開(kāi)始：

Graph graph = new Graph();

該對(duì)象是空的，所以這個(gè)圖表意義不大。 要對(duì)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(lái)加載它，它返回一個(gè)OperationBuilder對(duì)象，一旦我們調(diào)用.build()方法，它就會(huì)將操作添加到我們的圖形中。

常量

讓我們?cè)趫D表中添加一個(gè)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(shí)沒(méi)有賦值，他們的值將在之后進(jìn)行分配。 這允許我們使用沒(méi)有任何實(shí)際數(shù)據(jù)的操作來(lái)構(gòu)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(gè)問(wèn)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(jiǎn)單，也可以像矩陣乘法一樣復(fù)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(gè)輸出。

圖形可視化

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

會(huì)話(Sessions)

如前所述，Session是Graph的驅(qū)動(dòng)程序。 它封裝了執(zhí)行Operation和Graph計(jì)算張量(tensors)的環(huán)境。
這意味著我們構(gòu)建的圖(graph)中的張量(tensors)實(shí)際上并沒(méi)有任何值，因?yàn)槲覀儧](méi)有在會(huì)話(session)中運(yùn)行圖形(graph)。
我們首先將圖表添加到會(huì)話(session)中：

Session session = new Session(graph);

我們的操作知識(shí)簡(jiǎn)單地將x于y相乘，為了運(yùn)行我們的圖(graph)并得到計(jì)算結(jié)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(yùn)行這段代碼將產(chǎn)生的結(jié)果如下：

10.0f

Java當(dāng)中加載Python中Saving模塊

這可能聽(tīng)起來(lái)有點(diǎn)奇怪，但由于Python是唯一受到良好支持的語(yǔ)言，因此Java API仍然沒(méi)有保存模型的功能。
這意味著Java API僅用于服務(wù)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(xùn)練和保存模型，然后使用Java加載它們來(lái)為它們提供服務(wù)：

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(jié)論

TensorFlow是一個(gè)功能強(qiáng)大且廣泛使用的框架。 它不斷得到改進(jìn)，并最近被引入新語(yǔ)言：包括Java和JavaScript。
盡管Java API還沒(méi)有像TensorFlow在Python中那么多的功能，但它仍然可以作為向Java開(kāi)發(fā)人員介紹TensorFlow的一個(gè)很好的開(kāi)始。

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

最新評(píng)論