使用Java操作TensorFlow的方法

第使用Java操作TensorFlow的方法目录简介TensorFlow为何物？张量与操作安装TensorFlowTensorFlow的JavaAPI类枚举接口异常图(Graphs)常量占位符函数图形可视化会话(Sessions)Java当中加载Python中Saving模块结论

简介

机器学习在全球范围内越来越受欢迎和使用。它已经彻底改变了某些应用程序的构建方式，并且可能会继续成为我们日常生活中一个巨大的（并且正在增加的）部分。

没有什么包装且机器学习并不简单。它对许多人来说似乎非常复杂并常常令人生畏。

像谷歌这样的公司将自己的机器学习概念与开发人员联系起来，在谷歌帮助下让他们逐渐迈出第一步，故TensorFlow的框架诞生了。

TensorFlow为何物？

TensorFlow是由谷歌使用Python和C++开发的开源机器学习框架。

它可以帮助开发人员轻松获取数据，准备和训练模型，预测未来状态，以及执行大规模机器学习。

有了它，我们可以训练和运行深度神经网络的内容，诸如光学字符识别，图像识别/分类，自然语言处理等。

张量与操作

TensorFlow基于计算图，你可以将其想象为具有节点和边的经典图。

每个节点被称为操作，它们将零个或多个张量输入并产生零个或多个张量输出。操作可以非常简单，例如基本的添加，但它们也可以非常复杂。

张量被描绘为图的边缘，并且是核心数据单元。当我们将它们提供给操作时，我们在这些张量上执行不同的功能。它们可以具有单个或多个维度，有时也称为它们的等级(标量：等级0，向量：等级1，矩阵：等级2)。

这些数据受到操作的影响通过张量传递到计算图中，故而称为TensorFlow。

张量可以以任意数量的维度存储数据，并且有三种主要类型的张量：占位符，变量和常量。

安装TensorFlow

使用Maven，安装TensorFlow就像包含依赖项一样简单：

dependency

groupIdorg.tensorflow/groupId

artifactIdtensorflow/artifactId

version1.15.0/version

/dependency

如果你的设备支持GPU功能，可以添加以下依赖：

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对象来检查当前操作的TensorFlow的版本。

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

TensorFlow的JavaAPI

JavaAPITensorFlow提供包含在org.tensorflow包中。它目前是实验性的，因此不能保证其稳定性。

需要注意的是TensorFlow唯一完全支持的语言是Python，JavaAPI几乎没有什么功能。

API向我们介绍了新的类，接口，枚举和异常。

类

通过API引入的新类是：

Graph：表示TensorFlow计算的数据流图；Operation：在Tensors上执行计算的Graph节点；OperationBuilder：Operations的构建器类；Output：操作产生的张量的符号句柄；SavedModelBundle：表示从存储加载的模型；SavedModelBundle.Loader：提供加载SavedModel的选项；Server：进程内TensorFlow服务器，用于分布式训练；Session：图形执行的驱动程序；Session.Run：输出执行会话时获得的张量和元数据；Session.Runner：运行操作并评估张量；Shape：由操作产生的可能部分已知的张量形状；Tensor：静态类型的多维数组，其元素是由T描述的类型；TensorFlow：描述TensorFlow运行时的静态实用程序方法；Tensors：用于创建张量对象的类型安全工厂方法；

枚举

DataType：将张量中的元素类型表示为枚举；

接口

Operand：由TensorFlow操作的操作数实现的接口；

异常

TensorFlowException：执行TensorFlow图时抛出的未经检查的异常

如果我们将所有这些与Python中的tf模块进行比较将发现存在明显的区别。JavaAPI没有几乎相同的功能，至少目前如此。

图(Graphs)

如前所述，TensorFlow基于计算图-其中org.tensorflow.Graph是Java的实现。

注意：它的实例是线程安全的，尽管我们需要在完成它之后显式释放Graph使用的资源。

让我们从一个空图开始：

Graphgraph=newGraph();

该对象是空的，所以这个图表意义不大。要对它做任何操作，我们首先需要使用Operations加载它。

我们使用opBuilder()方法来加载它，它返回一个OperationBuilder对象，一旦我们调用.build()方法，它就会将操作添加到我们的图形中。

常量

让我们在图表中添加一个常量：

Operationx=graph.opBuilder("Const","x")

.setAttr("dtype",DataType.FLOAT)

.setAttr("value",Tensor.create(3.0f))

.build();

占位符

占位符是变量的类型，声明时没有赋值，他们的值将在之后进行分配。这允许我们使用没有任何实际数据的操作来构建图形：

Operationy=graph.opBuilder("Placeholder","y")

.setAttr("dtype",DataType.FLOAT)

.build();

函数

最后为了解决这个问题，我们需要添加某些函数。这些可以像乘法，除法或加法一样简单，也可以像矩阵乘法一样复杂。和之前一样，我们使用.opBuilder()方法定义函数：

Operationxy=graph.opBuilder("Mul","xy")

.addInput(x.output(0))

.addInput(y.output(0))

.build();

注意：我们使用input(0)作为张量可以有多个输出。

图形可视化

遗憾的是，JavaAPI还没有包含任何允许像Python中一样可视化图形的工具。

会话(Sessions)

如前所述，Session是Graph的驱动程序。它封装了执行Operation和Graph计算张量(tensors)的环境。

这意味着我们构建的图(graph)中的张量(tensors)实际上并没有任何值，因为我们没有在会话(session)中运行图形(graph)。

我们首先将图表添加到会话(session)中：

Sessionsession=newSession(graph);

我们的操作知识简单地将x于y相乘，为了运行我们的图(graph)并得到计算结果，我们需要使用fetch()获取到xy的操作并为其提供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());

运行这段代码将产生的结果如下：

10.0f

Java当中加载Python中Saving模块

这可能听起来有点奇怪，但由于Python是唯一受到良好支持的语言，因此JavaAPI仍然没有保存模型的功能。

这意味着JavaAPI仅用于服务用例，至少在TensorFlow完全支持之前。目前至少我们可以使用SavedModelBundle类在Python中训练和保存模型，然后使用Java加载它们来为它们提供服务：

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

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