溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
這篇文章主要介紹“什么是TensorFlow”，在日常操作中，相信很多人在什么是TensorFlow問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”什么是TensorFlow”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！
機器學習在全球范圍內越來越受歡迎和使用。 它已經徹底改變了某些應用程序的構建方式，并且可能會繼續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人員聯系起來，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是由谷歌使用Python和C++開發的開源機器學習框架。 它可以幫助開發人員輕松獲取數據，準備和訓練模型，預測未來狀態，以及執行大規模機器學習。 有了它，我們可以訓練和運行深度神經網絡的內容，諸如光學字符識別，圖像識別/分類，自然語言處理等。
TensorFlow基于計算圖，你可以將其想象為具有節點和邊的經典圖。 每個節點被稱為操作，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，并且是核心數據單元。 當我們將它們提供給操作時，我們在這些張量上執行不同的功能。 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)。 這些數據受到操作的影響通過張量傳遞到計算圖中，故而稱為TensorFlow。 張量可以以任意數量的維度存儲數據，并且有三種主要類型的張量：占位符，變量和常量。
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>1.13.1</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>1.13.1</version> </dependency> <dependency> <groupid>org.tensorflow</groupid> <artifactid>libtensorflow_jni_gpu</artifactid> <version>1.13.1</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());
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。
通過API引入的新類是：
Graph：表示TensorFlow計算的數據流圖；
Operation：在Tensors上執行計算的Graph節點；
OperationBuilder：Operations的構建器類；
Output<t>：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：圖形執行的驅動程序；
Session.Run：輸出執行會話時獲得的張量和元數據；
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<t>：靜態類型的多維數組，其元素是由T描述的類型；
TensorFlow：描述TensorFlow運行時的靜態實用程序方法；
Tensors：用于創建張量對象的類型安全工廠方法；
DataType：將張量中的元素類型表示為枚舉；
Operand<t>：由TensorFlow操作的操作數實現的接口；
TensorFlowException：執行TensorFlow圖時拋出的未經檢查的異常
如果我們將所有這些與Python中的tf模塊進行比較將發現存在明顯的區別。 Java API沒有幾乎相同的功能，至少目前如此。
如前所述，TensorFlow基于計算圖 - 其中org.tensorflow.Graph是Java的實現。 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。
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據的操作來構建圖形：
Operation y = graph.opBuilder("Placeholder", "y")
.setAttr("dtype", DataType.FLOAT)
.build();最后為了解決這個問題，我們需要添加某些函數。 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：
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。
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。
如前所述，Session是Graph的驅動程序。 它封裝了執行Operation和Graph計算張量(tensors)的環境。 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
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());到此，關于“什么是TensorFlow”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
