介绍
机器学习正在全球范围内得到普及和使用。它已经彻底改变了某些应用程序的构建方式，并且很可能将继续成为我们日常生活的重要组成部分（并且在不断增加）。
没有糖衣，机器学习并不简单。这相当艰巨，对许多人来说似乎非常复杂。
诸如Google之类的公司全力以赴，将机器学习概念带给开发人员更近的地方，并允许他们在主要帮助下逐步迈出第一步。
这样，诸如TensorFlow之类的框架就诞生了。
什么是TensorFlow？
TensorFlow是Google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，预测未来状态以及进行大规模机器学习。
有了它，我们可以训练和运行最常用于光学字符识别，图像识别/分类，自然语言处理等的深度神经网络。
张量和运算
TensorFlow基于计算图，您可以将其想象为具有节点和边的经典图。
每个节点都称为操作，它们将零个或多个张量引入，并产生零个或多个张量。一个操作可能非常简单，例如基本加法，但也可能非常复杂。
张量被描绘为图形的边缘，并且是核心数据单元。在将这些张量馈送给操作时，我们在这些张量上执行不同的功能。它们可以具有一个或多个维度，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）
这些数据通过张量流经计算图，并受运算影响，因此命名为TensorFlow。
张量可以存储任意维度的数据，并且有三种主要类型的张量：占位符，变量和常量。
安装TensorFlow
使用Maven，安装TensorFlow就像添加依赖项一样简单：
<dependency> <groupId>org.tensorflow</groupId> <artifactId>tensorflow</artifactId> <version>1.13.1</version> </dependency>
如果您的设备支持GPU支持，请使用以下依赖项：
<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>
您可以使用TensorFlow对象检查当前安装的TensorFlow的版本：
System.out.println(TensorFlow.version());
TensorFlow Java API
org.tensorflow包装内包含Java API TensorFlow提供的内容。目前尚处于实验阶段，因此不能保证其稳定。
请注意，TensorFlow唯一受完全支持的语言是Python，而Java API几乎没有功能。
它向我们介绍了新的类，接口，枚举和异常。
类
通过API引入的新类是：
-
Graph：表示TensorFlow计算的数据流程图 -
Operation：在张量上执行计算的Graph节点 -
OperationBuilder：操作的构建器类 -
Output<T>：由操作产生的张量的符号句柄 -
SavedModelBundle：代表从存储库加载的模型。 -
SavedModelBundle.Loader：提供用于加载SavedModel的选项 -
Server：进程内TensorFlow服务器，用于分布式培训 -
Session：图形执行的驱动程序 -
Session.Run：执行会话时获得的输出张量和元数据 -
Session.Runner：运行操作并评估张量 -
Shape：由操作产生的张量的可能部分已知的形状 -
Tensor<T>：一个静态类型化的多维数组，其元素为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Tensor对象的类型安全的工厂方法
枚举
-
DataType：将Tensor中的元素类型表示为枚举
接口
-
Operand<T>：由TensorFlow操作的操作数实现的接口
例外
-
TensorFlowException：执行TensorFlow Graph时引发未经检查的异常
如果将所有这些与Python中的tf模块进行比较，则存在明显的区别。至少到目前为止，Java API的功能数量几乎不相同。
图
如前所述，TensorFlow基于计算图org.tensorflow.Graph-Java的实现在哪里。
订阅我们的新闻
在收件箱中获取临时教程，指南和作业。从来没有垃圾邮件。随时退订。
订阅电子报
订阅
注意：尽管实例完成后我们需要显式释放Graph使用的资源，但它的实例是线程安全的。
让我们从一个空图开始：
Graph graph = new Graph();
该图没有太大意义，它是空的。要对其进行任何处理，我们首先需要使用Operations加载它。
为了使用操作加载它，我们使用opBuilder()方法，该方法返回一个OperationBuilder对象，一旦调用该.build()方法，该对象便会将操作添加到图形中。
常量
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
占位符是变量的“类型”，在声明时没有值。它们的值将在以后分配。这使我们可以在没有任何实际数据的情况下使用操作来构建图形：
Operation y = graph.opBuilder("Placeholder", "y")
.setAttr("dtype", DataType.FLOAT)
.build();
函数
现在最后，要对此进行总结，我们需要添加某些功能。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。与之前相同，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output(0)的张量可以具有多个输出。
图可视化
令人遗憾的是，Java API尚未包括任何工具来像Python中那样可视化图形。Java API更新后，本文也会更新。
会话（Sessions）
如前所述，aSession是执行的驱动Graph程序。它封装了执行Operations和Graphs来计算Tensors的环境。
这意味着，我们构建的图中的张量实际上不具有任何值，因为我们没有在会话中运行该图。
首先，将图形添加到会话中：
Session session = new Session(graph);
我们的计算只是将xandy值相乘。为了运行我们的图并计算它，我们fetch()进行xy运算并将其x和y值输入：
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：
10.0f
用Python保存模型并用Java加载
这听起来有些奇怪，但是由于Python是唯一受支持的语言，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。至少，我们可以使用以下SavedModelBundle类在Python中训练和保存模型，然后在Java中加载它们以为它们提供服务：
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());
结论
TensorFlow是一个功能强大，健壮且广泛使用的框架。它一直在不断改进，最近又引入了新语言-包括Java和JavaScript。
尽管Java API的功能还不如TensorFlow for Python那么多，但它仍然可以作为TensorFlow for Java开发人员的良好入门。
转自：https://zhuanlan.zhihu.com/p/343068127