Makine öğrenimi (ML), akıllı kararlar almayı ve otomasyonu sağlayarak sağlık sektöründen finans sektörüne kadar birçok endüstriyi devrim niteliğinde dönüştürdü. Google'ın açık kaynak kodlu ML ve derin öğrenme çerçevesi olan TensorFlow, bu devrimin ön saflarında yer aldı. TensorFlow.NET ile, .NET geliştiricileri TensorFlow'un gücünü C# ekosisteminde kullanabilir. Bu makalede, TensorFlow.NET, özelliklerini, faydalarını ve C# geliştirimindeki pratik uygulamalarını inceleyeceğiz. Ayrıca, Iron Software tarafından sağlanan IronPDF adlı bir PDF oluşturma kütüphanesi hakkında pratik bir örnekle bilgi edineceğiz.
TensorFlow.NET, C# ve .NET uygulama katmanları içinde doğrudan TensorFlow işlevselliğini kullanmalarını sağlayan bir .NET TensorFlow bağlayıcısıdır. Topluluk tarafından geliştirilen ve SciSharp organizasyonu tarafından sürdürülen TensorFlow.NET, TensorFlow'un makine öğrenmesi ve sinir ağları yeteneklerini, .NET platformunun çok yönlülüğüyle nahtsız bir şekilde bir araya getirir. C# geliştiricilerinin sinir ağları oluşturmasını, modelleri eğitmesini ve TensorFlow'un kapsamlı sistem API'leri ve araçlarını kullanarak ML modelleri dağıtmasını sağlar.
TensorFlow.NET, tensör manipülasyonu, sinir ağı katmanları, kayıp fonksiyonları, optimize ediciler, veri ön işleme ve değerlendirme gibi TensorFlow'un API'leri ve işlemleriyle tam bir uyumluluk sağlar.TensorFlow.NET, TensorFlow'un verimli hesaplama grafiği yürütme motoru ve optimize edilmiş çekirdeklerini kullanarak, CPU ve GPU'larda yüksek performanslı makine öğrenmesi çıkarımı ve eğitimi sunar.TensorFlow.NET, mevcut .NET uygulamaları ve kütüphaneleri ile nahtsız bir şekilde entegre olur ve geliştiricilerin TensorFlow'un yeteneklerini tanıdık C# geliştirme ortamından ayrılmadan kullanmalarını sağlar.TensorFlow.NET, geliştiricilerin önceden eğitilmiş TensorFlow modellerini ithal etmelerine ve eğitilmiş modelleri Python veya mobil cihazlar gibi diğer TensorFlow tabanlı ortamlarda çıkarım yapmak üzere ihraç etmelerine olanak tanır.TensorFlow.NET, C# dil özelliklerini kullanarak makine öğrenmesi modellerini özelleştirme ve genişletme esnekliği sağlar, örneğin veri manipülasyonu için LINQ (Dil Entegre Sorgu) ve model kompozisyonu için fonksiyonel programlama paradigmaları gibi.TensorFlow.NET, C# dünyasında TensorFlow kullanarak makine öğrenimine başlayan geliştiricilere yardımcı olmak için dokümantasyon, öğreticiler ve örnekler sağlayan aktif bir katkı sağlayıcılar topluluğundan yararlanır.C#'ta makine öğrenmesi modelleri inşa etmek ve dağıtmak için TensorFlow.NET kullanılabilecek bazı pratik senaryoları keşfedelim:
Eğitilmiş Modelleri Yükleme ve Kullanma:
// 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)Özelleştirilmiş Modelleri Eğitme:
// 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)Değerlendirme ve Dağıtım:
// 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")TensorFlow'un daha fazla örneğini TensorFlow.NET Örnekleri sayfasında bulabilirsiniz.
// 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 NamespaceÖrnek Merhaba TensorFlow Çıktısı
TensorFlow.NET, TensorFlow'un gücünü .NET ekosistemine getirerek, C# geliştiricilerinin uygulamalarında en son makine öğrenme tekniklerini ve algoritmalarını kullanmalarını sağlar.TensorFlow.NET, TensorFlow'un optimize edilmiş yürütme motorunu kullanarak yüksek performanslı makine öğrenme hesaplamaları sunar, bu da onu büyük ölçekli veri kümeleri ve karmaşık modellerin işlenmesi için uygun hale getirir.TensorFlow.NET API, geliştiricilerin tanıdık C# dil özellikleri ve geliştirme araçlarını kullanarak makine öğrenmesi modelleri oluşturmasına ve dağıtmasına olanak tanır, bu da C# uygulamalarında makine öğrenmesi benimsemek için öğrenme eğrisini azaltır.TensorFlow.NET, C# tabanlı makine öğrenmesi modellerinin Python, TensorFlow Serving ve TensorFlow Lite ile nahtsız entegrasyonunu mümkün kılarak diğer TensorFlow tabanlı ortamlarla karşılıklı çalışabilirliği kolaylaştırır.TensorFlow.NET, projeye destek, geri bildirim ve katkılar sağlayan aktif bir katkı sağlayıcılar ve kullanıcılar topluluğundan faydalanır, bu da projenin sürekli büyümesi ve gelişimini sağlar.Özgürce kullanılabilen açık kaynak kodlu Apache Lisanslı bir pakettir. Lisans hakkında daha fazla bilgiye TensorFlow.NET Lisans sayfasından ulaşılabilir.
IronPDF, geliştiricilerin doğrudan HTML, CSS, resim ve JavaScript girdilerinden PDF'ler oluşturmasına, düzenlemesine ve imzalamasına olanak tanıyan güçlü bir C# PDF kütüphanesidir. Bu, yüksek performanslı ve düşük bellek gereksinimli, ticari kalite bir çözümdür. İşte bazı temel özellikler:
IronPDF, HTML dosyalarını, HTML dizgelerini ve URL'leri PDF'lere dönüştürebilir. Örneğin, bir web sayfasını PDF olarak Chrome PDF renderer kullanarak render edebilirsiniz.IronPDF, .NET Core, .NET Standard ve .NET Framework dahil olmak üzere çeşitli .NET platformlarında çalışır. Windows, Linux ve macOS ile uyumludur.IronPDF, aynı zamanda duyarlı tasarımları ve özel kağıt boyutlarını da destekler.IronPDF, PDF/A ve PDF/UA gibi PDF standartlarına bağlı kalır. UTF-8 karakter kodlamasını destekler ve resimler, CSS ve yazı tipleri gibi varlıklarla ilgilenir.Öncelikle bir Visual Studio projesi oluşturun ve aşağıdaki Konsol Uygulaması şablonunu seçin.
Proje adını ve konumunu belirtin.
Bir sonraki adımda gereken .NET sürümünü seçin ve Oluştur düğmesine tıklayın.
NuGet Paketi'nden Visual Studio Paket Yöneticisi'nden IronPDF kurun.
Bağımsız bir model çalıştırma paketi olan TensorFlow.Keras ve TensorFlow.NET paketlerini yükleyin.
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 NamespaceKod parçasını parçalayalım:
Kod, gerekli kütüphaneleri ithal ederek başlar. Özellikle:
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.Hızlı Yürütme:
tf.enable_eager_execution(); satırı, TensorFlow'un istekli yürütme modunu etkinleştirir. Hızlı yürütme sırasında, işlemler hemen değerlendirilir ve bu, tensörlerle etkileşim kurmayı ve hata ayıklamayı kolaylaştırır.
Tensör Sabitlerini Tanımlama:
Kod, üç tensör sabiti tanımlar: a, b ve c. Bunlar sırasıyla 5, 6 ve 7 değerleriyle başlatılır.
Çeşitli Tensör İşlemleri:
Aşağıdaki tensör işlemleri gerçekleştirilir:
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.Tensör işlemlerinin sonuçları HTML içeriğinde dahildir:
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>"Ek İşlemler:
Kod, [a, b, c] sabitlerinin ortalamasını ve toplamını hesaplar.
Matris Çarpımları:
matrix1 ve matrix2 arasında matris çarpımı gerçekleştirir ve sonucu gösterir.
PDF Oluşturma:
ChromePdfRenderer ve RenderHtmlAsPdf, HTML dizgisini PDF dokümanına dönüştürmek için IronPDF kullanılır.
IronPDF çalıştırmak için bir lisansa ihtiyaç duyar. Lisanslama hakkında daha fazla bilgiye IronPDF Lisanslama sayfasından ulaşabilirsiniz. Aşağıda gösterildiği gibi anahtarı appSettings.json dosyasına yerleştirin.
{
"IronPdf.License.LicenseKey": "The Key Here"
}Sonuç olarak, TensorFlow.NET, C# geliştiricilerine .NET ekosisteminin çok yönlülüğü ve üretkenliği ile makine öğrenmesi ve yapay zeka dünyasını keşfetme yetkisi verir. İster akıllı uygulamalar inşa ediyor olun, ister tahmine dayalı analiz araçları ya da otomatik karar alma sistemleri geliştiriyor olun, TensorFlow.NET, C#'taki makine öğrenmesi potansiyelini ortaya çıkarmak için güçlü ve esnek bir çerçeve sağlar. Geliştiriciler, Iron Software tarafından sağlanan IronPDF kütüphanesi ile birlikte modern uygulamalar geliştirme konusunda ileri düzey becerilere sahip olabilirler.
Jacob Mellor, Iron Software'de Baş Teknoloji Yöneticisidir ve C# PDF teknolojisinde öncü bir mühendisdir. Iron Software'ın ana kod tabanının ilk geliştiricisi olarak, CEO Cameron Rimington ile birlikte şirketin ürün mimarisini 50'den fazla kişilik bir şirkete dönüştürmüştür ve NASA, Tesla ve dünya genelindeki devlet kurumlarına hizmet etmektedir.
IronPDF, IRONSUITE'in bir parçasıdır
Ofis belgeleriniz için 10 .NET API ürünü
PDF'nizin HTML gibi görünmesine ihtiyaç duyduğunuzda, hızlı.
