TensorFlow .NET（开发人员如何使用）

了解 TensorFlow.NET

TensorFlow.NET 是 TensorFlow 的 .NET 绑定，允许开发人员直接在 C# 和 .NET 应用程序层中使用 TensorFlow 功能。 由社区开发并由 SciSharp 组织维护，TensorFlow.NET 提供了 TensorFlow 的机器学习和神经网络能力与 .NET 平台的多功能性的无缝集成。 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

1. TensorFlow 兼容性：TensorFlow.NET 提供与 TensorFlow 的 API 和操作的完全兼容，包括张量操控、神经网络层、损失函数、优化器和数据预处理与评估的实用程序。
2. 高性能：TensorFlow.NET 利用 TensorFlow 的高效计算图执行引擎和优化内核，提供在 CPU 和 GPU 上进行高性能机器学习推理和训练。
3. 易于集成：TensorFlow.NET 与现有的 .NET 应用程序和库无缝集成，使开发人员可以在不离开熟悉的 C# 开发环境的情况下利用 TensorFlow 的能力。
4. 模型可移植性：TensorFlow.NET 允许开发人员导入预训练的 TensorFlow 模型，并导出训练后的模型以在其他基于 TensorFlow 的环境中进行推理，如 Python 或移动设备。
5. 灵活性和扩展性：TensorFlow.NET 提供用于自定义和扩展机器学习模型的灵活性，使用 C# 语言特性，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。
6. 社区支持和文档：TensorFlow.NET 受益于活跃的贡献者社区，他们提供文档、教程和示例，以帮助开发人员在 C# 世界中使用 TensorFlow 开始学习机器学习。

TensorFlow.NET 的实际示例

让我们探索一些实际场景，看看如何使用 TensorFlow.NET 在 C# 中构建和部署机器学习模型：

1. 加载和使用预训练模型：

   // 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. 训练自定义模型：

   // 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. 评估和部署：

   // 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

示例 Hello TensorFlow 输出

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

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、编辑和签名 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：

1. 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。
2. 跨平台支持：IronPDF 可在各种 .NET 平台上工作，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、添加安全性（密码和权限），甚至将数字签名应用于 PDF。
4. 页面模板和设置：通过添加页眉、页脚和页码以及调整边距来自定义您的 PDF。 IronPDF 还支持响应式布局和自定义纸张尺寸。
5. 标准合规：IronPDF 遵循 PDF 标准，如 PDF/A 和 PDF/UA。 它支持 UTF-8 字符编码，并处理图像、CSS 和字体等资产。

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。

提供项目名称和位置。

在下一步中选择所需的 .NET 版本并点击创建按钮。

从 Visual Studio 包管理器安装 NuGet 软件包中的 IronPDF。

安装 TensorFlow.NET 和 TensorFlow.Keras 软件包，后者是用于运行模型的独立软件包。

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 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。 将密钥放在如下所示的 appSettings.json 文件中。

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

结论

综上所述，TensorFlow.NET 使 C# 开发人员能够以 .NET 生态系统的多功能性和生产力探索机器学习和人工智能的世界。 无论您是在构建智能应用程序、预测分析工具还是自动决策系统，TensorFlow.NET 都为在 C# 中释放机器学习潜力提供了强大而灵活的框架。 与 Iron Software 的 IronPDF 库结合使用，开发人员可以获得开发现代应用程序的高级技能。