El aprendizaje automático (ML) ha revolucionado varias industrias, desde la salud hasta las finanzas, al permitir la toma de decisiones inteligente y la automatización. TensorFlow, el marco de ML y aprendizaje profundo de código abierto de Google, ha estado a la vanguardia de esta revolución. Con TensorFlow.NET, los desarrolladores de .NET pueden aprovechar el poder de TensorFlow dentro del ecosistema de C#. En este artículo, exploraremos TensorFlow.NET, sus características, beneficios y aplicaciones prácticas en el desarrollo de C#. Además, aprenderemos sobre una biblioteca de generación de PDF llamada IronPDF de Iron Software con un ejemplo práctico.
TensorFlow.NET es un enlace de .NET para TensorFlow, permitiendo a los desarrolladores usar la funcionalidad de TensorFlow directamente dentro de las capas de aplicación de C# y .NET. Desarrollado por la comunidad y mantenido por la organización SciSharp, TensorFlow.NET proporciona una integración perfecta de las capacidades de aprendizaje automático y redes neuronales de TensorFlow con la versatilidad de la plataforma .NET. Permite a los desarrolladores de C# construir redes neuronales, entrenar modelos y desplegar modelos de ML usando las extensas API y herramientas del sistema de TensorFlow.
TensorFlow.NET proporciona compatibilidad total con las API y operaciones de TensorFlow, incluyendo la manipulación de tensores, capas de redes neuronales, funciones de pérdida, optimizadores y utilidades para el preprocesamiento y evaluación de datos.TensorFlow.NET aprovecha el motor de ejecución de grafo computacional eficiente de TensorFlow y núcleos optimizados para ofrecer inferencia y entrenamiento de aprendizaje automático de alto rendimiento en CPUs y GPUs.TensorFlow.NET se integra a la perfección con las aplicaciones y bibliotecas .NET existentes, permitiendo a los desarrolladores aprovechar las capacidades de TensorFlow sin salir del entorno de desarrollo familiar de C#.TensorFlow.NET permite a los desarrolladores importar modelos de TensorFlow preentrenados y exportar modelos entrenados para inferencia en otros entornos basados en TensorFlow, como Python o dispositivos móviles.TensorFlow.NET ofrece flexibilidad para personalizar y extender modelos de aprendizaje automático utilizando características del lenguaje C#, como LINQ (Consulta Integrada al Lenguaje) para la manipulación de datos y paradigmas de programación funcional para la composición de modelos.TensorFlow.NET se beneficia de una comunidad activa de colaboradores que proporcionan documentación, tutoriales y ejemplos para ayudar a los desarrolladores a comenzar con el aprendizaje automático en el mundo de C# utilizando TensorFlow.Exploremos algunos escenarios prácticos donde TensorFlow.NET se puede usar para construir y desplegar modelos de aprendizaje automático en C#:
Carga y uso de modelos preentrenados:
// Load a pre-trained TensorFlow model
var model = TensorFlowModel.LoadModel("model.pb");
// Perform inference on input data
var input = new float[,] { { 1.0f, 2.0f, 3.0f } };
var output = model.Predict(input);' Load a pre-trained TensorFlow model
Dim model = TensorFlowModel.LoadModel("model.pb")
' Perform inference on input data
Dim input = New Single(, ) {
{ 1.0F, 2.0F, 3.0F }
}
Dim output = model.Predict(input)Entrenamiento de modelos personalizados:
// Create a neural network model using TensorFlow.NET APIs
var input = new Input(Shape.Scalar);
var output = new Dense(1, Activation.ReLU).Forward(input);
// Compile the model with loss function and optimizer algorithms
var model = new Model(input, output);
model.Compile(optimizer: new SGD(), loss: Losses.MeanSquaredError);
// Train the model with training data
model.Fit(x_train, y_train, epochs: 10, batchSize: 32);' Create a neural network model using TensorFlow.NET APIs
Dim input As New Input(Shape.Scalar)
Dim output = (New Dense(1, Activation.ReLU)).Forward(input)
' Compile the model with loss function and optimizer algorithms
Dim model As New Model(input, output)
model.Compile(optimizer:= New SGD(), loss:= Losses.MeanSquaredError)
' Train the model with training data
model.Fit(x_train, y_train, epochs:= 10, batchSize:= 32)Evaluación e implementación:
// Evaluate the trained model on test data
var evaluation = model.Evaluate(x_test, y_test);
// Export the trained model for deployment
model.SaveModel("trained_model.pb");' Evaluate the trained model on test data
Dim evaluation = model.Evaluate(x_test, y_test)
' Export the trained model for deployment
model.SaveModel("trained_model.pb")Más ejemplos de TensorFlow se pueden encontrar en la página de Ejemplos de TensorFlow.NET.
// Use static TensorFlow
using static Tensorflow.Binding;
namespace IronPdfDemos
{
public class TensorFlow
{
public static void Execute()
{
// Create a TensorFlow constant
var hello = tf.constant("Hello, TensorFlow!");
Console.WriteLine(hello);
}
}
}' Use static TensorFlow
Imports Tensorflow.Binding
Namespace IronPdfDemos
Public Class TensorFlow
Public Shared Sub Execute()
' Create a TensorFlow constant
Dim hello = tf.constant("Hello, TensorFlow!")
Console.WriteLine(hello)
End Sub
End Class
End NamespaceSalida de Ejemplo Hello TensorFlow
TensorFlow.NET trae el poder de TensorFlow al ecosistema de .NET, permitiendo a los desarrolladores de C# aprovechar técnicas y algoritmos de aprendizaje automático de última generación en sus aplicaciones.TensorFlow.NET aprovecha el motor de ejecución optimizado de TensorFlow para ofrecer cálculos de aprendizaje automático de alto rendimiento, lo que lo hace adecuado para manejar conjuntos de datos a gran escala y modelos complejos.TensorFlow.NET permite a los desarrolladores construir y desplegar modelos de aprendizaje automático utilizando características del lenguaje C# y herramientas de desarrollo familiares, reduciendo la curva de aprendizaje para adoptar el aprendizaje automático en aplicaciones C#.TensorFlow.NET facilita la interoperabilidad con otros entornos basados en TensorFlow, permitiendo una integración fluida de modelos de aprendizaje automático basados en C# con Python, TensorFlow Serving y TensorFlow Lite.TensorFlow.NET se beneficia de una comunidad activa de colaboradores y usuarios que proporcionan soporte, comentarios y contribuciones al proyecto, asegurando su continuo crecimiento y mejora.Es un paquete con licencia Apache de código abierto que puede ser usado libremente. Más sobre la licencia se puede leer en la página de Licencia de TensorFlow.NET.
IronPDF es una poderosa biblioteca de PDF para C# que permite a los desarrolladores crear, editar y firmar PDFs directamente desde entradas HTML, CSS, imágenes y JavaScript. Es una solución de calidad comercial con alto rendimiento y bajo consumo de memoria. Aquí algunas características clave:
IronPDF puede convertir archivos HTML, cadenas HTML y URLs a PDFs. Por ejemplo, puedes renderizar una página web como un PDF usando el renderizador de PDF de Chrome.IronPDF funciona en varias plataformas .NET, incluyendo .NET Core, .NET Standard y .NET Framework. Es compatible con Windows, Linux y macOS.IronPDF también admite diseños responsivos y tamaños de papel personalizados.IronPDF se adhiere a estándares de PDF como PDF/A y PDF/UA. Soporta codificación de caracteres UTF-8 y maneja activos como imágenes, CSS y fuentes.Primero, crea un proyecto en Visual Studio y selecciona el modelo de Aplicación de Consola a continuación.
Proporciona el nombre y la ubicación del proyecto.
Selecciona la versión requerida de .NET en el siguiente paso y haz clic en el botón Crear.
Instale IronPDF desde el paquete NuGet desde el Administrador de Paquetes de Visual Studio.
Instale los paquetes TensorFlow.NET y TensorFlow.Keras, un paquete independiente utilizado para ejecutar modelos.
using IronPdf;
using static Tensorflow.Binding;
namespace IronPdfDemos
{
public class Program
{
public static void Main()
{
// Instantiate Cache and ChromePdfRenderer
var renderer = new ChromePdfRenderer();
// Prepare HTML content for the PDF
var content = "<h1>Demonstrate TensorFlow with IronPDF</h1>";
content += "<h2>Enable Eager Execution</h2>";
content += "<p>tf.enable_eager_execution();</p>";
// Enable eager execution mode in TensorFlow
tf.enable_eager_execution();
// Define tensor constants
content += "<h2>Define Tensor Constants</h2>";
var a = tf.constant(5);
var b = tf.constant(6);
var c = tf.constant(7);
// Perform various tensor operations
content += "<h2>Various Tensor Operations</h2>";
var add = tf.add(a, b);
var sub = tf.subtract(a, b);
var mul = tf.multiply(a, b);
var div = tf.divide(a, b);
content += $"<p>var add = tf.add(a, b);</p>";
content += $"<p>var sub = tf.subtract(a, b);</p>";
content += $"<p>var mul = tf.multiply(a, b);</p>";
content += $"<p>var div = tf.divide(a, b);</p>";
// Output tensor values to HTML content
content += "<h2>Access Tensor Values</h2>";
content += $"<p>{a.numpy()} + {b.numpy()} = {add.numpy()}</p>";
content += $"<p>{a.numpy()} - {b.numpy()} = {sub.numpy()}</p>";
content += $"<p>{a.numpy()} * {b.numpy()} = {mul.numpy()}</p>";
content += $"<p>{a.numpy()} / {b.numpy()} = {div.numpy()}</p>";
// Perform additional operations
var mean = tf.reduce_mean(tf.constant(new[] { a, b, c }));
var sum = tf.reduce_sum(tf.constant(new[] { a, b, c }));
content += "<h2>Additional Operations</h2>";
content += $"<p>mean = {mean.numpy()}</p>";
content += $"<p>sum = {sum.numpy()}</p>";
// Perform matrix multiplication
var matrix1 = tf.constant(new float[,] { { 1, 2 }, { 3, 4 } });
var matrix2 = tf.constant(new float[,] { { 5, 6 }, { 7, 8 } });
var product = tf.matmul(matrix1, matrix2);
content += "<h2>Matrix Multiplications</h2>";
content += "<p>Multiplication Result:</p>";
content += $"<p>product = {product.numpy()}</p>";
// Render HTML content to PDF
var pdf = renderer.RenderHtmlAsPdf(content);
// Save PDF to file
pdf.SaveAs("tensorflow.pdf");
}
}
}Imports IronPdf
Imports Tensorflow.Binding
Namespace IronPdfDemos
Public Class Program
Public Shared Sub Main()
' Instantiate Cache and ChromePdfRenderer
Dim renderer = New ChromePdfRenderer()
' Prepare HTML content for the PDF
Dim content = "<h1>Demonstrate TensorFlow with IronPDF</h1>"
content &= "<h2>Enable Eager Execution</h2>"
content &= "<p>tf.enable_eager_execution();</p>"
' Enable eager execution mode in TensorFlow
tf.enable_eager_execution()
' Define tensor constants
content &= "<h2>Define Tensor Constants</h2>"
Dim a = tf.constant(5)
Dim b = tf.constant(6)
Dim c = tf.constant(7)
' Perform various tensor operations
content &= "<h2>Various Tensor Operations</h2>"
Dim add = tf.add(a, b)
Dim [sub] = tf.subtract(a, b)
Dim mul = tf.multiply(a, b)
Dim div = tf.divide(a, b)
content &= $"<p>var add = tf.add(a, b);</p>"
content &= $"<p>var sub = tf.subtract(a, b);</p>"
content &= $"<p>var mul = tf.multiply(a, b);</p>"
content &= $"<p>var div = tf.divide(a, b);</p>"
' Output tensor values to HTML content
content &= "<h2>Access Tensor Values</h2>"
content &= $"<p>{a.numpy()} + {b.numpy()} = {add.numpy()}</p>"
content &= $"<p>{a.numpy()} - {b.numpy()} = {[sub].numpy()}</p>"
content &= $"<p>{a.numpy()} * {b.numpy()} = {mul.numpy()}</p>"
content &= $"<p>{a.numpy()} / {b.numpy()} = {div.numpy()}</p>"
' Perform additional operations
Dim mean = tf.reduce_mean(tf.constant( { a, b, c }))
Dim sum = tf.reduce_sum(tf.constant( { a, b, c }))
content &= "<h2>Additional Operations</h2>"
content &= $"<p>mean = {mean.numpy()}</p>"
content &= $"<p>sum = {sum.numpy()}</p>"
' Perform matrix multiplication
Dim matrix1 = tf.constant(New Single(, ) {
{ 1, 2 },
{ 3, 4 }
})
Dim matrix2 = tf.constant(New Single(, ) {
{ 5, 6 },
{ 7, 8 }
})
Dim product = tf.matmul(matrix1, matrix2)
content &= "<h2>Matrix Multiplications</h2>"
content &= "<p>Multiplication Result:</p>"
content &= $"<p>product = {product.numpy()}</p>"
' Render HTML content to PDF
Dim pdf = renderer.RenderHtmlAsPdf(content)
' Save PDF to file
pdf.SaveAs("tensorflow.pdf")
End Sub
End Class
End NamespaceDesglosaremos el fragmento de código:
Declaraciones de importación:
El código comienza importando las bibliotecas necesarias. Específicamente:
using IronPdf; // This imports the IronPDF package, which is used for working with PDF files.
using static Tensorflow.Binding; // This imports the TensorFlow library, specifically the .NET standard binding.Imports IronPdf ' This imports the IronPDF package, which is used for working with PDF files.
Imports Tensorflow.Binding ' This imports the TensorFlow library, specifically the .NET standard binding.Ejecución entusiasta:
La línea tf.enable_eager_execution(); habilita el modo de ejecución ansiosa de TensorFlow. En la ejecución eager, las operaciones se evalúan de inmediato, facilitando la depuración e interacción con los tensores.
Defina las constantes tensoriales:
El código define tres constantes tensoriales: a, b y c. Estos se inicializan con los valores 5, 6 y 7, respectivamente.
Varias operaciones tensoriales:
Se realizan las siguientes operaciones con tensores:
var add = tf.add(a, b); // Adds a and b.
var sub = tf.subtract(a, b); // Subtracts b from a.
var mul = tf.multiply(a, b); // Multiplies a and b.
var div = tf.divide(a, b); // Divides a by b.Dim add = tf.add(a, b) ' Adds a and b.
Dim [sub] = tf.subtract(a, b) ' Subtracts b from a.
Dim mul = tf.multiply(a, b) ' Multiplies a and b.
Dim div = tf.divide(a, b) ' Divides a by b.Acceder a los valores del tensor:
Los resultados de las operaciones con tensores se incluyen en el contenido HTML:
content += $"<p>{a.numpy()} + {b.numpy()} = {add.numpy()}</p>";
content += $"<p>{a.numpy()} - {b.numpy()} = {sub.numpy()}</p>";
content += $"<p>{a.numpy()} * {b.numpy()} = {mul.numpy()}</p>";
content += $"<p>{a.numpy()} / {b.numpy()} = {div.numpy()}</p>";content += $"<p>{a.numpy()} + {b.numpy()} = {add.numpy()}</p>"
content += $"<p>{a.numpy()} - {b.numpy()} = {[sub].numpy()}</p>"
content += $"<p>{a.numpy()} * {b.numpy()} = {mul.numpy()}</p>"
content += $"<p>{a.numpy()} / {b.numpy()} = {div.numpy()}</p>"Operaciones adicionales:
El código calcula la media y la suma de las constantes [a, b, c].
Multiplicaciones de matrices:
Realiza la multiplicación de matrices entre matrix1 y matrix2 y muestra el resultado.
Generación de PDF:
ChromePdfRenderer y RenderHtmlAsPdf de IronPDF se utilizan para renderizar la cadena HTML en un documento PDF.
IronPDF necesita una licencia para ejecutar. Más sobre licencias se puede encontrar en la página de Licencias IronPDF. Coloque la clave en el archivo appSettings.json como se muestra a continuación.
{
"IronPdf.License.LicenseKey": "The Key Here"
}En conclusión, TensorFlow.NET empodera a los desarrolladores de C# para explorar el mundo del aprendizaje automático y la inteligencia artificial con la versatilidad y productividad del ecosistema .NET. Ya sea que esté construyendo aplicaciones inteligentes, herramientas de análisis predictivo o sistemas de toma de decisiones automatizadas, TensorFlow.NET proporciona un marco poderoso y flexible para desatar el potencial del aprendizaje automático en C#. Junto con la biblioteca IronPDF de Iron Software, los desarrolladores pueden adquirir habilidades avanzadas para desarrollar aplicaciones modernas.
Jacob Mellor is Chief Technology Officer at Iron Software and a visionary engineer pioneering C# PDF technology. As the original developer behind Iron Software's core codebase, he has shaped the company's product architecture since its inception, transforming it alongside CEO Cameron Rimington into a 50+ person company serving NASA, Tesla, and global government agencies.
10 productos API .NET para tus documentos de oficina
Cuando necesitas que tu PDF se parezca al HTML, rápido.
