TensorFlow .NET（對於開發者的運行原理）

了解 TensorFlow.NET

TensorFlow.NET 是 TensorFlow 的 .NET 綁定，允許開發者在 C# 和 .NET 應用層中直接使用 TensorFlow 的功能。 由社群開發並由 SciSharp 組織維護，TensorFlow.NET 提供了 TensorFlow 機器學習和神經網路的能力與 .NET 平台多功能性的無縫整合。 它使 C# 開發者能夠使用 TensorFlow 的廣泛系統 API 和工具來構建神經網路、訓練模型和部署 ML 模型。

TensorFlow.NET 的關鍵功能

1. TensorFlow 相容性: TensorFlow.NET 提供了對 TensorFlow API 和操作的完全相容，包括張量操作、神經網路層、損失函式、優化器和資料預處理及評估的工具。
2. 高效能: TensorFlow.NET 利用 TensorFlow 的高效計算圖執行引擎和優化內核，在 CPU 和 GPU 上提供高效能的機器學習推理和訓練。
3. 簡易整合: TensorFlow.NET 可與現有的 .NET 應用和程式庫無縫整合，使開發者能夠在不離開熟悉的 C# 開發環境的情況下利用 TensorFlow 的功能。
4. 模型可移植性: TensorFlow.NET 允許開發者導入預訓練的 TensorFlow 模型，並將訓練模型導出以便在其他基於 TensorFlow 的環境中進行推理，例如 Python 或移動裝置。
5. 靈活性和可擴展性: TensorFlow.NET 提供了使用 C# 語言特性自訂和擴展機器學習模型的靈活性，例如使用 LINQ（語言整合查詢）進行資料操作和使用函式式編程範式進行模型組合。
6. 社群支援和文件: TensorFlow.NET 受益於活躍的貢獻者社群，他們提供文件、教程和範例，幫助開發者在 C# 世界中使用 TensorFlow 開始機器學習。

使用 TensorFlow.NET 的實際範例

讓我們探索一些可用於使用 TensorFlow.NET 在 C# 中構建和部署機器學習模型的實際場景：

1. 載入和使用預訓練模型:

   // 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. 訓練自訂模型:

   // 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. 評估和部署:

   // 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

更多 TensorFlow 的範例可以在 TensorFlow.NET 範例 頁面找到。

// 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

範例 Hello TensorFlow 輸出

TensorFlow.NET 授權

這是一個開放源碼的 Apache 授權套件，可以免費使用。 可以在 TensorFlow.NET 授權 頁面閱讀更多有關授權的資訊。

介紹IronPDF

IronPDF 是一個強大的 C# PDF 程式庫，允許開發者直接從 HTML、CSS、圖像和 JavaScript 輸入建立、編輯和簽署 PDF 文件。 這是一個商業級解決方案，具有高效能和低記憶體佔用。 這裡有一些關鍵特點：

1. HTML 到 PDF 轉換: IronPDF 可以將 HTML 文件、HTML 字串和網址轉換為 PDF。 例如，您可以使用 Chrome PDF 渲染器渲染網頁為 PDF。
2. 跨平台支持: IronPDF 適用於各個 .NET 平台，包括 .NET Core、.NET Standard 和 .NET Framework。 它與 Windows、Linux 和 macOS 相容。
3. 編輯和簽署: 您可以設置屬性，新增安全性（密碼和許可權），甚至為您的 PDF 應用數位簽名。
4. 頁面模板和設置: 通過新增頭部、尾部和頁碼，以及調整邊距來自訂您的 PDF。 IronPDF 還支持響應式佈局和自訂紙張尺寸。
5. 標準合規: IronPDF 遵循 PDF 標準，例如 PDF/A 和 PDF/UA。 它支持 UTF-8 字元編碼並處理圖像、CSS 和字體等資產。

使用 TensorFlow.NET 和 IronPDF 生成 PDF 文件

首先，建立一個 Visual Studio 專案，並選擇下面的控制台應用模板。

提供專案名稱和位置。

在下一步中選擇所需的 .NET 版本並點擊"建立"按鈕。

從 Visual Studio 封裝管理器中安裝 IronPDF 從 NuGet 套件。

安裝套件 TensorFlow.NET 和 TensorFlow.Keras，一個獨立的套件用於運行模型。

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

IronPDF 授權

IronPDF 需要授權才能運行。 更多關於授權的資訊可以在 IronPDF 授權 頁面找到。 將金鑰放置在如下所示的 appSettings.json 文件中。

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

結論

總之，TensorFlow.NET 使 C# 開發者能夠探索機器學習和人工智慧的世界，並利用 .NET 生態系統的多樣性和生產力。 無論您是在構建智能應用、預測分析工具，還是自動化決策系統，TensorFlow.NET 提供了一個強大而靈活的框架，讓 C# 中的機器學習潛力得以釋放。 結合來自 Iron Software 的 IronPDF 程式庫，開發者能夠獲得開發現代應用的高級技能。