这篇文章主要介绍“什么是TensorFlow”，在日常操作中，相信很多人在什么是TensorFlow问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”什么是TensorFlow”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！
机器学习在全球范围内越来越受欢迎和使用。 它已经彻底改变了某些应用程序的构建方式，并且可能会继续成为我们日常生活中一个巨大的（并且正在增加的）部分。 没有什么包装且机器学习并不简单。 它对许多人来说似乎非常复杂并常常令人生畏。 像谷歌这样的公司将自己的机器学习概念与开发人员联系起来，在谷歌帮助下让他们逐渐迈出第一步，故TensorFlow的框架诞生了。
TensorFlow是由谷歌使用Python和C++开发的开源机器学习框架。 它可以帮助开发人员轻松获取数据，准备和训练模型，预测未来状态，以及执行大规模机器学习。 有了它，我们可以训练和运行深度神经网络的内容，诸如光学字符识别，图像识别/分类，自然语言处理等。
TensorFlow基于计算图，你可以将其想象为具有节点和边的经典图。 每个节点被称为操作，它们将零个或多个张量输入并产生零个或多个张量输出。 操作可以非常简单，例如基本的添加，但它们也可以非常复杂。 张量被描绘为图的边缘，并且是核心数据单元。 当我们将它们提供给操作时，我们在这些张量上执行不同的功能。 它们可以具有单个或多个维度，有时也称为它们的等级(标量：等级0，向量：等级1，矩阵：等级2)。 这些数据受到操作的影响通过张量传递到计算图中，故而称为TensorFlow。 张量可以以任意数量的维度存储数据，并且有三种主要类型的张量：占位符，变量和常量。
使用Maven，安装TensorFlow就像包含依赖项一样简单：
<dependency> <groupid>org.tensorflow</groupid> <artifactid>tensorflow</artifactid> <version>1.13.1</version> </dependency>
如果你的设备支持GPU功能，可以添加以下依赖：
<dependency> <groupid>org.tensorflow</groupid> <artifactid>libtensorflow</artifactid> <version>1.13.1</version> </dependency> <dependency> <groupid>org.tensorflow</groupid> <artifactid>libtensorflow_jni_gpu</artifactid> <version>1.13.1</version> </dependency>
你可以使用TensorFlow对象来检查当前操作的TensorFlow的版本。
System.out.println(TensorFlow.version());
Java API TensorFlow提供包含在org.tensorflow包中。 它目前是实验性的，因此不能保证其稳定性。 需要注意的是TensorFlow唯一完全支持的语言是Python，Java API几乎没有什么功能。 API向我们介绍了新的类，接口，枚举和异常。
通过API引入的新类是：
Graph：表示TensorFlow计算的数据流图；
Operation：在Tensors上执行计算的Graph节点；
OperationBuilder：Operations的构建器类；
Output<t>：操作产生的张量的符号句柄；
SavedModelBundle：表示从存储加载的模型；
SavedModelBundle.Loader：提供加载SavedModel的选项；
Server：进程内TensorFlow服务器，用于分布式训练；
Session：图形执行的驱动程序；
Session.Run：输出执行会话时获得的张量和元数据；
Session.Runner：运行操作并评估张量；
Shape：由操作产生的可能部分已知的张量形状；
Tensor<t>：静态类型的多维数组，其元素是由T描述的类型；
TensorFlow：描述TensorFlow运行时的静态实用程序方法；
Tensors：用于创建张量对象的类型安全工厂方法；
DataType：将张量中的元素类型表示为枚举；
Operand<t>：由TensorFlow操作的操作数实现的接口；
TensorFlowException：执行TensorFlow图时抛出的未经检查的异常
如果我们将所有这些与Python中的tf模块进行比较将发现存在明显的区别。 Java API没有几乎相同的功能，至少目前如此。
如前所述，TensorFlow基于计算图 - 其中org.tensorflow.Graph是Java的实现。 注意：它的实例是线程安全的，尽管我们需要在完成它之后显式释放Graph使用的资源。
让我们从一个空图开始：
Graph graph = new Graph();
该对象是空的，所以这个图表意义不大。 要对它做任何操作，我们首先需要使用Operations加载它。 我们使用opBuilder()方法来加载它，它返回一个OperationBuilder对象，一旦我们调用.build()方法，它就会将操作添加到我们的图形中。
让我们在图表中添加一个常量：
Operation x = graph.opBuilder("Const", "x")
.setAttr("dtype", DataType.FLOAT)
.setAttr("value", Tensor.create(3.0f))
.build();占位符是变量的“类型”，声明时没有赋值，他们的值将在之后进行分配。 这允许我们使用没有任何实际数据的操作来构建图形：
Operation y = graph.opBuilder("Placeholder", "y")
.setAttr("dtype", DataType.FLOAT)
.build();最后为了解决这个问题，我们需要添加某些函数。 这些可以像乘法，除法或加法一样简单，也可以像矩阵乘法一样复杂。 和之前一样，我们使用.opBuilder()方法定义函数：
Operation xy = graph.opBuilder("Mul", "xy")
.addInput(x.output(0))
.addInput(y.output(0))
.build();注意：我们使用input(0)作为张量可以有多个输出。
遗憾的是，Java API还没有包含任何允许像Python中一样可视化图形的工具。
如前所述，Session是Graph的驱动程序。 它封装了执行Operation和Graph计算张量(tensors)的环境。 这意味着我们构建的图(graph)中的张量(tensors)实际上并没有任何值，因为我们没有在会话(session)中运行图形(graph)。 我们首先将图表添加到会话(session)中：
Session session = new Session(graph);
我们的操作知识简单地将x于y相乘，为了运行我们的图(graph)并得到计算结果，我们需要使用fetch()获取到xy的操作并为其提供x和y的值：
Tensor tensor = session.runner().fetch("xy").feed("x", Tensor.create(5.0f)).feed("y", Tensor.create(2.0f)).run().get(0);
System.out.println(tensor.floatValue());运行这段代码将产生的结果如下：
10.0f
这可能听起来有点奇怪，但由于Python是唯一受到良好支持的语言，因此Java API仍然没有保存模型的功能。 这意味着Java API仅用于服务用例，至少在TensorFlow完全支持之前。 目前至少我们可以使用SavedModelBundle类在Python中训练和保存模型，然后使用Java加载它们来为它们提供服务：
SavedModelBundle model = SavedModelBundle.load("./model", "serve");
Tensor tensor = model.session().runner().fetch("xy").feed("x", Tensor.create(5.0f)).feed("y", Tensor.create(2.0f)).run().get(0);
System.out.println(tensor.floatValue());到此，关于“什么是TensorFlow”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注亿速云网站，小编会继续努力为大家带来更多实用的文章！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。