开发者更新

TensorFlow .NET（开发人员如何使用）

已更新:2026年4月21日

机器学习 (ML) 通过实现智能决策和自动化，已经彻底改变了从医疗到金融的各个行业。 Google 的开源机器学习和深度学习框架 TensorFlow，一直处于这场革命的前沿。有了TensorFlow.NET，.NET开发人员可以在C#生态系统中利用TensorFlow的强大功能。在本文中，我们将探讨TensorFlow.NET，以及它的特性、好处和在C#开发中的实际应用。此外，我们还将通过一个实际示例学习来自IronPDF的PDF生成库。

了解 TensorFlow.NET

TensorFlow.NET是TensorFlow的.NET绑定，允许开发人员在C#和.NET应用程序层中直接使用TensorFlow功能。 TensorFlow.NET由社区开发并由SciSharp组织维护，它将TensorFlow的机器学习和神经网络功能与.NET平台的多功能性无缝集成。它使 C# 开发人员能够构建神经网络、训练模型，并使用 TensorFlow 的广泛系统 API 和工具部署机器学习模型。

TensorFlow.NET 的关键功能

TensorFlow兼容性：TensorFlow.NET提供与TensorFlow的API和操作的完全兼容，包括张量操作、神经网络层、损失函数、优化器以及数据预处理和评估的实用工具。
高性能：TensorFlow.NET利用TensorFlow高效的计算图执行引擎和优化的内核，提供高性能的机器学习推理和在CPU和GPU上的训练。
易于集成：TensorFlow.NET与现有的.NET应用程序和库无缝集成，使开发人员可以在熟悉的C#开发环境中利用TensorFlow的功能。
模型可移植性：TensorFlow.NET允许开发人员导入预先训练的TensorFlow模型，并将训练好的模型导出用于其他基于TensorFlow的环境中的推理，如Python或移动设备。
灵活性和可扩展性：TensorFlow.NET提供了使用C#语言特性自定义和扩展机器学习模型的灵活性，如用于数据操作的LINQ（语言集成查询）和用于模型组合的函数式编程范式。
社区支持和文档：TensorFlow.NET得益于一个活跃的贡献者社区，他们提供文档、教程和示例，帮助开发人员在C#领域中使用TensorFlow入门机器学习。

TensorFlow.NET 的实际示例

让我们探讨一些可以使用TensorFlow.NET在C#中构建和部署机器学习模型的实际场景：

1.加载和使用预训练模型：

```csharp
// 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);
```

2.训练自定义模型：

```csharp
// 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);
```

3.评估与部署：

```csharp
// 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");
```

更多 TensorFlow 的示例可以在 TensorFlow.NET Examples 页面上找到。

// 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

$vbLabelText $csharpLabel

示例 Hello TensorFlow 输出

TensorFlow .NET（开发人员如何使用它）：图1 - 控制台应用程序输出

使用 TensorFlow.NET 的好处

无缝集成：TensorFlow.NET将TensorFlow的强大功能带入.NET生态系统，使C#开发人员能够在应用程序中利用最前沿的机器学习技术和算法。
性能与可扩展性：TensorFlow.NET利用TensorFlow优化的执行引擎，提供高性能的机器学习计算，使其适合处理大规模数据集和复杂模型。
熟悉的开发环境：TensorFlow.NET API让开发人员可以使用熟悉的C#语言特性和开发工具构建和部署机器学习模型，降低在C#应用程序中采用机器学习的学习曲线。
互操作性和可移植性：TensorFlow.NET促进与其他基于TensorFlow的环境的互操作性，使C#基础的机器学习模型能够与Python、TensorFlow Serving和TensorFlow Lite无缝集成。
社区驱动开发：TensorFlow.NET得益于活跃的贡献者和用户社区，他们为项目提供支持、反馈和贡献，确保其持续增长和改进。

TensorFlow.NET 许可证

它是一个开源 Apache 许可证包，可以自由使用。有关许可证的更多信息，可以在 TensorFlow.NET License 页面上阅读。

IronPDF 简介

TensorFlow .NET（开发人员如何使用它）：图2 - IronPDF

IronPDF是一个强大的C# PDF库，允许开发人员直接从HTML、CSS、图像和JavaScript输入创建、编辑和签署PDF。它是一个商业级别的解决方案，具有高性能和低内存占用。以下是一些关键功能：

HTML到PDF转换：IronPDF可以将HTML文件、HTML字符串和URL转换为PDF。例如，您可以使用 Chrome PDF 渲染器将网页渲染为 PDF。
跨平台支持：IronPDF可以在各种.NET平台上使用，包括.NET Core、.NET Standard和.NET Framework。它兼容于 Windows、Linux 和 macOS。 3.编辑和签名：您可以设置属性、添加安全措施（密码和权限），甚至可以对 PDF 应用数字签名。 4.页面模板和设置：通过添加页眉、页脚和页码以及调整页边距来自定义您的 PDF。 IronPDF还支持响应式布局和自定义纸张尺寸。
标准合规性：IronPDF遵循如PDF/A和PDF/UA的PDF标准。它支持UTF-8字符编码，并且可以处理像图像、CSS和字体这样的资产。

使用 TensorFlow.NET 和 IronPDF 生成 PDF 文档

首先，创建一个 Visual Studio 项目并选择下面的控制台应用模板。

TensorFlow .NET（开发人员如何使用它）：图3 - Visual Studio项目

提供项目名称和位置。

TensorFlow .NET（开发人员如何使用它）：图4 - 项目配置

在下一步中选择所需的 .NET 版本并点击创建按钮。

从Visual Studio包管理器的NuGet包安装IronPDF。

TensorFlow .NET（开发人员如何使用它）：图5 - TensorFlow.NET

安装包TensorFlow.Keras，这是一款用于运行模型的独立包。

TensorFlow .NET（开发人员如何使用它）：图6 - 安装包TensorFlow.Keras

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

$vbLabelText $csharpLabel

代码解释

让我们分解一下代码片段：

1.进口声明：

代码首先导入必要的库。 具体来说：

```csharp
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.
```

2.急于执行：

该行`tf.enable_eager_execution();`启用TensorFlow的即时执行模式。 在即时执行中，操作会被立即评价，使其更容易调试和与张量互动。

3.定义张量常量：

该代码定义了三个张量常量：`a`, `c`。 这些常量分别初始化为值 5、6 和 7。

4.各种张量运算：

执行以下张量操作：

```csharp
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.
```

5.访问张量值：

张量操作的结果包含在 HTML 内容中：

```csharp
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>";
```

6.其他操作：

该代码计算常量的均值和和：`[a, b, c]`。

7.矩阵乘法：

它在`matrix2`之间执行矩阵乘法并显示结果。

PDF 生成：

IronPDF，用于将HTML字符串渲染成PDF文档。

输出

TensorFlow .NET（开发人员如何使用它）：图7 - PDF输出

IronPDF 许可证

IronPDF需要许可证才能运行。更多关于许可的信息可以在 IronPDF Licensing 页面上找到。按如下所示将密钥放入appSettings.json文件中。

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

结论

总之，TensorFlow.NET使C#开发人员能够探索机器学习和人工智能的世界，同时享受.NET生态系统的多功能性和生产力。无论您是在构建智能应用程序、预测分析工具，还是自动化决策系统，TensorFlow.NET都提供了一个强大而灵活的框架，用于在C#中释放机器学习的潜力。结合IronPDF库，开发人员可以获得高级技能以开发现代应用程序。

常见问题解答

如何将机器学习集成到我的 C# 应用程序中？

您可以使用 TensorFlow.NET，这是一个 TensorFlow 的 .NET 绑定，它允许您在 C# 应用程序中构建、训练和部署机器学习模型。它与 TensorFlow 的强大 API 完全兼容。

TensorFlow.NET 的关键功能是什么？

TensorFlow.NET 提供全兼容 TensorFlow API、高性能计算引擎、轻松与 .NET 系统集成、模型可移植性和强大的社区支持等功能。

如何在.NET应用程序中将HTML转换为PDF？

您可以使用 IronPDF 将 HTML 转换为 .NET 应用程序中的 PDF。 IronPDF 允许从 HTML、CSS 和 JavaScript 输入转换为 PDF 文档，提供跨平台兼容性和高级 PDF 操作功能。

可以使用 TensorFlow.NET 导入来自 Python 的模型吗？

是的，TensorFlow.NET 支持模型可移植性，允许您导入在 Python 等环境中创建的模型，并在您的 .NET 应用程序中使用。

结合 TensorFlow.NET 和 IronPDF 的潜力是什么？

结合 TensorFlow.NET 和 IronPDF 使开发人员能够构建智能应用程序，可以执行复杂的机器学习计算，并将结果呈现为格式良好的 PDF 文档，从而增强文档和报告流程。

TensorFlow.NET 适合跨平台开发吗？

是的，TensorFlow.NET 可用于跨平台的 .NET 环境，允许开发人员构建与各种操作系统兼容的应用程序。

如何在 C# 应用程序中编辑和签署 PDF？

IronPDF 提供在 C# 应用程序中编辑和签署 PDF 文档的功能，支持强大的 PDF 操作和管理。

TensorFlow.NET 为开发人员提供了哪些支持？

TensorFlow.NET 由强大的社区和全面的文档支持，使开发人员更容易找到资源和示例来帮助他们的开发过程。

TensorFlow.NET 如何增强 C# 开发环境？

TensorFlow.NET 通过集成 TensorFlow 的机器学习能力增强 C# 开发环境，允许开发人员在不离开 .NET 生态系统的情况下充分利用 TensorFlow 的强大功能。

开发人员在哪里可以找到使用 IronPDF 的实际示例？

开发人员可以在 IronPDF 文档页面以及各种在线资源和专注于 .NET PDF 操作的社区论坛上找到使用 IronPDF 的实际示例。

Jacob Mellor

立即与工程团队聊天

首席技术官

Jacob Mellor 是 Iron Software 的首席技术官，也是一位开创 C# PDF 技术的有远见的工程师。作为 Iron Software 核心代码库的原始开发者，他从公司成立之初就开始塑造公司的产品架构，与首席执行官 Cameron Rimington 一起将公司转变为一家拥有 50 多名员工的公司，为 NASA、特斯拉和全球政府机构提供服务。

Jacob 拥有曼彻斯特大学土木工程一级荣誉工程学士学位（BEng）（1998-2001 年）。他的旗舰产品 IronPDF 和 Iron Suite for .NET 库在全球的 NuGet 安装量已超过 3000 万次，其基础代码继续为全球使用的开发人员工具提供动力。Jacob 拥有 25 年的商业经验和 41 年的编码专业知识，他一直专注于推动企业级 C#、Java 和 Python PDF 技术的创新，同时指导下一代技术领导者。

已更新2026年4月23日

简化 .NET 与 Microsoft.Extensions.AI 的 LLM 集成

AI正在改变软件开发，但将大型语言模型（LLM）集成到.NET中直到现在一直很复杂。通过IronPdf.AI，将AI集成更进一步，该产品为.NET应用程序带来了OpenAI驱动的PDF解析、数据提取和内容摘要。

已更新2026年4月21日

利用 IronPDF 的最新更新简化电子发票：PDF/A-3 合规性和 ZUGFeRD 支持

了解 IronPDF 的最新更新如何带来 PDF/A-3 合规性和 ZUGFeRD 支持，以简化电子发票工作流程。了解企业（尤其是在欧洲地区）如何实现法规合规性，自动化发票处理，并通过这种混合文档格式为其业务的未来做好准备。非常适合满足欧盟发票规定及其他要求！

已更新2026年4月23日

IronPDF 开发者更新，2022 年 10 月

关于IronPDF的10月更新来自IronPDF工程团队

Stripe .NET（开发人员如何使用）

Humanizer C#（开发人员如何�...

客户亮点：

开发者焦点：

网络研讨会：

立即开始30天免费试用

TensorFlow .NET（开发人员如何使用）

了解 TensorFlow.NET

TensorFlow.NET 的关键功能

TensorFlow.NET 的实际示例

使用 TensorFlow.NET 的好处

TensorFlow.NET 许可证

IronPDF 简介

使用 TensorFlow.NET 和 IronPDF 生成 PDF 文档

代码解释

输出

IronPDF 许可证

结论

常见问题解答

如何将机器学习集成到我的 C# 应用程序中？

TensorFlow.NET 的关键功能是什么？

如何在.NET应用程序中将HTML转换为PDF？

可以使用 TensorFlow.NET 导入来自 Python 的模型吗？

结合 TensorFlow.NET 和 IronPDF 的潜力是什么？

TensorFlow.NET 适合跨平台开发吗？

如何在 C# 应用程序中编辑和签署 PDF？

TensorFlow.NET 为开发人员提供了哪些支持？

TensorFlow.NET 如何增强 C# 开发环境？

开发人员在哪里可以找到使用 IronPDF 的实际示例？

您的许可证密钥已发送到您的收件箱

您的演示请求已提交。

钢铁支援团队

立即开始30天免费试用

TensorFlow .NET（开发人员如何使用）

了解 TensorFlow.NET

TensorFlow.NET 的关键功能

TensorFlow.NET 的实际示例

使用 TensorFlow.NET 的好处

TensorFlow.NET 许可证

IronPDF 简介

使用 TensorFlow.NET 和 IronPDF 生成 PDF 文档

代码解释

输出

IronPDF 许可证

结论

常见问题解答

如何将机器学习集成到我的 C# 应用程序中？

TensorFlow.NET 的关键功能是什么？

如何在.NET应用程序中将HTML转换为PDF？

可以使用 TensorFlow.NET 导入来自 Python 的模型吗？

结合 TensorFlow.NET 和 IronPDF 的潜力是什么？

TensorFlow.NET 适合跨平台开发吗？

如何在 C# 应用程序中编辑和签署 PDF？

TensorFlow.NET 为开发人员提供了哪些支持？

TensorFlow.NET 如何增强 C# 开发环境？

开发人员在哪里可以找到使用 IronPDF 的实际示例？

相关文章

简化 .NET 与 Microsoft.Extensions.AI 的 LLM 集成

利用 IronPDF 的最新更新简化电子发票：PDF/A-3 合规性和 ZUGFeRD 支持

IronPDF 开发者更新，2022 年 10 月

下一步：开始免费 30 天试用

Thank You

下一步：开始免费 30 天试用

想免费将 IronSuite 部署到实际项目中吗？

包括什么？

您的许可证密钥已发送到您的收件箱

您的演示请求已提交。

深受全球数百万工程师信赖

钢铁支援团队