A aprendizagem de máquina (ML) revolucionou diversos setores, da saúde às finanças, ao possibilitar a tomada de decisões inteligentes e a automação. O TensorFlow, framework de aprendizado de máquina e aprendizado profundo de código aberto do Google, tem estado na vanguarda dessa revolução. Com TensorFlow.NET, os desenvolvedores .NET podem aproveitar o poder do TensorFlow dentro do ecossistema C#. Neste artigo, exploraremos TensorFlow.NET, suas características, benefícios e aplicações práticas no desenvolvimento em C#. Além disso, aprenderemos sobre uma biblioteca de geração de PDF chamada IronPDF de Iron Software com um exemplo prático.
TensorFlow.NET é uma ligação .NET para TensorFlow, permitindo que os desenvolvedores usem a funcionalidade do TensorFlow diretamente nas camadas de aplicação C# e .NET. Desenvolvido pela comunidade e mantido pela organização SciSharp, o TensorFlow.NET proporciona uma integração perfeita das capacidades de aprendizado de máquina e redes neurais do TensorFlow com a versatilidade da plataforma .NET. Ele permite que desenvolvedores C# criem redes neurais, treinem modelos e implementem modelos de aprendizado de máquina usando as extensas APIs e ferramentas do sistema TensorFlow.
TensorFlow.NET oferece total compatibilidade com as APIs e operações do TensorFlow, incluindo manipulação de tensores, camadas de redes neurais, funções de perda, otimizadores e utilitários para pré-processamento e avaliação de dados.TensorFlow.NET utiliza o eficiente motor de execução de gráficos computacionais e núcleos otimizados do TensorFlow para fornecer inferências e treinamentos de aprendizado de máquina de alta performance em CPUs e GPUs.TensorFlow.NET se integra perfeitamente a aplicativos e bibliotecas .NET existentes, permitindo que os desenvolvedores aproveitem as capacidades do TensorFlow sem sair do ambiente de desenvolvimento familiar do C#.TensorFlow.NET permite que os desenvolvedores importem modelos TensorFlow pré-treinados e exportem modelos treinados para inferência em outros ambientes baseados em TensorFlow, como Python ou dispositivos móveis.TensorFlow.NET fornece flexibilidade para personalizar e estender modelos de aprendizado de máquina usando recursos da linguagem C#, como LINQ (Language Integrated Query) para manipulação de dados e paradigmas de programação funcional para composição de modelos.TensorFlow.NET beneficia-se de uma comunidade ativa de contribuintes que fornecem documentação, tutoriais e exemplos para ajudar os desenvolvedores a começarem com o aprendizado de máquina no mundo C# usando o TensorFlow.Vamos explorar alguns cenários práticos onde TensorFlow.NET pode ser usado para construir e implantar modelos de aprendizado de máquina em C#:
Carregando e utilizando modelos pré-treinados:
// 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)Treinamento 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)Avaliação e Implantação:
// 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")Mais exemplos de TensorFlow podem ser encontrados na página de exemplos 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 NamespaceExemplo de saída "Olá TensorFlow"
TensorFlow.NET traz o poder do TensorFlow para o ecossistema .NET, permitindo que os desenvolvedores C# aproveitem técnicas e algoritmos de aprendizado de máquina de última geração em seus aplicativos.TensorFlow.NET utiliza o motor de execução otimizado do TensorFlow para fornecer computações de aprendizado de máquina de alta performance, tornando-o adequado para lidar com grandes conjuntos de dados e modelos complexos.TensorFlow.NET permite que os desenvolvedores construam e implantem modelos de aprendizado de máquina usando recursos familiares da linguagem C# e ferramentas de desenvolvimento, reduzindo a curva de aprendizado para a adoção do aprendizado de máquina em aplicativos C#.TensorFlow.NET facilita a interoperabilidade com outros ambientes baseados em TensorFlow, permitindo a integração perfeita de modelos de aprendizado de máquina baseados em C# com Python, TensorFlow Serving e TensorFlow Lite.TensorFlow.NET beneficia-se de uma comunidade ativa de contribuintes e usuários que fornecem suporte, feedback e contribuições para o projeto, garantindo seu crescimento contínuo e melhoria.É um pacote de código aberto com licença Apache que pode ser usado gratuitamente. Para mais informações sobre a licença, consulte a página de Licença do TensorFlow .NET .
IronPDF é uma poderosa biblioteca de PDF em C# que permite que os desenvolvedores criem, editem e assinem PDFs diretamente a partir de inputs em HTML, CSS, imagens e JavaScript. É uma solução de nível comercial com alto desempenho e baixo consumo de memória. Aqui estão algumas características principais:
IronPDF pode converter arquivos HTML, strings HTML e URLs em PDFs. Por exemplo, você pode renderizar uma página da web como um PDF usando o renderizador de PDF do Chrome.IronPDF funciona em várias plataformas .NET, incluindo .NET Core, .NET Standard e .NET Framework. É compatível com Windows, Linux e macOS.IronPDF também suporta layouts responsivos e tamanhos de papel personalizados.IronPDF adere a padrões PDF como PDF/A e PDF/UA. Suporta codificação de caracteres UTF-8 e lida com recursos como imagens, CSS e fontes.Primeiro, crie um projeto no Visual Studio e selecione o modelo Aplicativo de Console abaixo.
Forneça o nome e a localização do projeto.
Na próxima etapa, selecione a versão do .NET desejada e clique no botão Criar.
Instale IronPDF a partir do Pacote NuGet do Gerenciador de Pacotes do Visual Studio.
Instale os pacotes TensorFlow.NET e TensorFlow.Keras, um pacote independente usado para executar 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 NamespaceVamos analisar o trecho de código:
Declarações de Importação:
O código começa importando as bibliotecas necessárias. Especificamente:
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.Execução entusiasmada:
A linha tf.enable_eager_execution(); ativa o modo de execução ansiosa do TensorFlow. Na execução imediata, as operações são avaliadas instantaneamente, facilitando a depuração e a interação com os tensores.
Defina as constantes do tensor:
O código define três constantes de tensor: a, b e c. Esses valores são inicializados com 5, 6 e 7, respectivamente.
Diversas operações com tensores:
As seguintes operações tensoriais são realizadas:
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.Acessar valores do tensor:
Os resultados das operações com tensores estão incluídos no conteúdo 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>"Operações adicionais:
O código calcula a média e a soma das constantes [a, b, c].
Multiplicação de Matrizes:
Ele realiza a multiplicação de matrizes entre matrix1 e matrix2 e exibe o resultado.
Geração de PDF:
ChromePdfRenderer e RenderHtmlAsPdf de IronPDF são usados para renderizar a string em HTML em um documento PDF.
IronPDF precisa de uma licença para funcionar. Para mais informações sobre licenciamento, consulte a página de Licenciamento do IronPDF . Coloque a chave no arquivo appSettings.json conforme mostrado abaixo.
{
"IronPdf.License.LicenseKey": "The Key Here"
}Em conclusão, TensorFlow.NET capacita desenvolvedores C# a explorar o mundo do aprendizado de máquina e inteligência artificial com a versatilidade e produtividade do ecossistema .NET. Quer você esteja construindo aplicativos inteligentes, ferramentas de análise preditiva ou sistemas de tomada de decisão automatizados, TensorFlow.NET fornece um poderoso e flexível framework para liberar o potencial do aprendizado de máquina em C#. Juntamente com a biblioteca IronPDF da Iron Software, os desenvolvedores podem adquirir habilidades avançadas para desenvolver aplicativos modernos.
Curtis Chau é bacharel em Ciência da Computação (Universidade Carleton) e se especializa em desenvolvimento front-end, com experiência em Node.js, TypeScript, JavaScript e React. Apaixonado por criar interfaces de usuário intuitivas e esteticamente agradáveis, Curtis gosta de trabalhar com frameworks modernos e criar manuais bem estruturados e visualmente atraentes.
IronPDF faz parte do IRON SUITE.
10 produtos de API .NET para seus documentos de escritório
Quando você precisa que seu PDF tenha a aparência de HTML, rapidamente.
