TensorFlow .NET (jak to działa dla programistów)

Zrozumienie TensorFlow.NET

TensorFlow.NET to powiązanie .NET dla TensorFlow, umożliwiające programistom korzystanie z funkcjonalności TensorFlow bezpośrednio w warstwach aplikacji C# i .NET. Opracowany przez społeczność i utrzymywany przez organizację SciSharp, TensorFlow.NET zapewnia płynną integrację możliwości uczenia maszynowego i sieci neuronowych TensorFlow z wszechstronnością platformy .NET. Umożliwia programistom C# tworzenie sieci neuronowych, trenowanie modeli oraz wdrażanie modeli ML przy użyciu rozbudowanych interfejsów API i narzędzi systemu TensorFlow.

Najważniejsze cechy TensorFlow.NET

1. Kompatybilność z TensorFlow: TensorFlow.NET zapewnia pełną kompatybilność z interfejsami API i operacjami TensorFlow, w tym manipulacją tensorami, warstwami sieci neuronowych, funkcjami straty, optymalizatorami oraz narzędziami do wstępnego przetwarzania i oceny danych.
2. Wysoka wydajność: TensorFlow.NET wykorzystuje wydajny silnik wykonywania grafów obliczeniowych TensorFlow oraz zoptymalizowane jądra, aby zapewnić wysokowydajne wnioskowanie i uczenie maszynowe na procesorach CPU i GPU.
3. Łatwa integracja: TensorFlow.NET płynnie integruje się z istniejącymi aplikacjami i bibliotekami .NET, umożliwiając programistom wykorzystanie możliwości TensorFlow bez opuszczania znanego środowiska programistycznego C#.
4. Przenośność modeli: TensorFlow.NET pozwala programistom importować wstępnie wytrenowane modele TensorFlow oraz eksportować wytrenowane modele w celu wykorzystania ich do wnioskowania w innych środowiskach opartych na TensorFlow, takich jak Python lub urządzenia mobilne.
5. Elastyczność i rozszerzalność: TensorFlow.NET zapewnia elastyczność w dostosowywaniu i rozszerzaniu modeli uczenia maszynowego przy użyciu funkcji języka C#, takich jak LINQ (Language Integrated Query) do manipulacji danymi oraz paradygmatów programowania funkcjonalnego do tworzenia modeli.
6. Wsparcie społeczności i dokumentacja: TensorFlow.NET korzysta z aktywnej społeczności współpracowników, którzy dostarczają dokumentację, samouczki i przykłady, aby pomóc programistom w rozpoczęciu pracy z uczeniem maszynowym w środowisku C# przy użyciu TensorFlow.

Praktyczne przykłady z wykorzystaniem TensorFlow.NET

Przyjrzyjmy się kilku praktycznym scenariuszom, w których TensorFlow.NET może być wykorzystane do tworzenia i wdrażania modeli uczenia maszynowego w języku C#:

1. Ładowanie i używanie wstępnie wytrenowanych modeli:

   // 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
   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)

   $vbLabelText   $csharpLabel

2. Trenowanie modeli niestandardowych:

   // 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
   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)

   $vbLabelText   $csharpLabel

3. Ocena i wdrożenie:

   // 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
   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")

   $vbLabelText   $csharpLabel

Więcej przykładów TensorFlow można znaleźć na stronie Przykłady 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
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 Namespace

Przykładowy wynik Hello TensorFlow

Licencja TensorFlow.NET

Jest to pakiet typu open source na licencji Apache, z którego można korzystać bezpłatnie. Więcej informacji na temat licencji można znaleźć na stronie Licencja TensorFlow.NET.

Przedstawiamy IronPDF

IronPDF to potężna biblioteka C# do obsługi plików PDF, która pozwala programistom tworzyć, edytować i podpisywać pliki PDF bezpośrednio na podstawie danych wejściowych w formacie HTML, CSS, obrazów i JavaScript. Jest to rozwiązanie klasy komercyjnej o wysokiej wydajności i niewielkim zużyciu pamięci. Oto kilka kluczowych funkcji:

1. Konwersja HTML do PDF: IronPDF może konwertować pliki HTML, ciągi znaków HTML i adresy URL do formatu PDF. Na przykład można wyrenderować stronę internetową jako plik PDF za pomocą renderera PDF przeglądarki Chrome.
2. Obsługa wielu platform: IronPDF działa na różnych platformach .NET, w tym .NET Core, .NET Standard i .NET Framework. Jest kompatybilny z systemami Windows, Linux i macOS.
3. Edycja i podpisywanie: Możesz ustawiać właściwości, dodawać zabezpieczenia (hasła i uprawnienia), a nawet stosować podpisy cyfrowe w swoich plikach PDF.
4. Szablony stron i ustawienia: Dostosuj swoje pliki PDF, dodając nagłówki, stopki i numery stron oraz dostosowując marginesy. IronPDF obsługuje również responsywne układy i niestandardowe rozmiary papieru.
5. Zgodność ze standardami: IronPDF jest zgodny ze standardami PDF, takimi jak PDF/A i PDF/UA. Obsługuje kodowanie znaków UTF-8 oraz pliki takie jak obrazy, CSS i czcionki.

Generowanie dokumentów PDF przy użyciu TensorFlow.NET i IronPDF

Najpierw utwórz projekt w Visual Studio i wybierz poniższy szablon aplikacji konsolowej.

Podaj nazwę projektu i lokalizację.

W następnym kroku wybierz wymaganą wersję .NET i kliknij przycisk Utwórz.

Zainstaluj IronPDF z pakietu NuGet za pomocą Menedżera pakietów Visual Studio.

Zainstaluj pakiety TensorFlow.NET i TensorFlow.Keras, niezależny pakiet służący do uruchamiania modeli.

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");
        }
    }
}

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 Namespace

Licencja IronPDF

IronPDF wymaga licencji do działania. Więcej informacji na temat licencji można znaleźć na stronie Licencjonowanie IronPDF. Umieść klucz w pliku appSettings.json, jak pokazano poniżej.

{
  "IronPdf.License.LicenseKey": "The Key Here"
}

Wnioski

Podsumowując, TensorFlow.NET umożliwia programistom C# odkrywanie świata uczenia maszynowego i sztucznej inteligencji dzięki wszechstronności i wydajności ekosystemu .NET. Niezależnie od tego, czy tworzysz inteligentne aplikacje, narzędzia do analizy predykcyjnej czy zautomatyzowane systemy podejmowania decyzji, TensorFlow.NET zapewnia potężny i elastyczny framework, który pozwala w pełni wykorzystać potencjał uczenia maszynowego w języku C#. W połączeniu z biblioteką IronPDF od Iron Software programiści mogą zdobyć zaawansowane umiejętności potrzebne do tworzenia nowoczesnych aplikacji.