使用Java操作TensorFlow的方法

第使用Java操作TensorFlow的方法目錄簡介TensorFlow為何物？張量與操作安裝TensorFlowTensorFlow的JavaAPI類枚舉接口異常圖(Graphs)常量占位符函數(shù)圖形可視化會話(Sessions)Java當中加載Python中Saving模塊結(jié)論

簡介

機器學習在全球范圍內(nèi)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(gòu)建方式，并且可能會繼續(xù)成為我們?nèi)粘Ｉ钪幸粋€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(nèi)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(chǎn)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

groupIdorg.tensorflow/groupId

artifactIdtensorflow/artifactId

version1.15.0/version

/dependency

如果你的設備支持GPU功能，可以添加以下依賴：

dependency

groupIdorg.tensorflow/groupId

artifactIdlibtensorflow/artifactId

version1.15.0/version

/dependency

dependency

groupIdorg.tensorflow/groupId

artifactIdlibtensorflow_jni_gpu/artifactId

version1.15.0/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

JavaAPITensorFlow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，JavaAPI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(gòu)建器類；Output：操作產(chǎn)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(nèi)TensorFlow服務器，用于分布式訓練；Session：圖形執(zhí)行的驅(qū)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(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。JavaAPI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：

Graphgraph=newGraph();

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(diào)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：

Operationx=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(gòu)建圖形：

Operationy=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)：

Operationxy=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，JavaAPI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(qū)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(gòu)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：

Sessionsession=newSession(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(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：

Tensortensor=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(chǎn)生的結(jié)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JavaAPI仍然沒有保存模型的功能。

這意味著JavaAPI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：

SavedModelBundlemodel=SavedModelBundle.load("./model","serve");

Tensortensor=model.session().runner().fetch("xy").feed("x",Tensor.create(5.0f)).feed("y",Tensor.create(2.0f))