誰說搞Java的不能玩機器學習？

時間 2019-11-21

標籤誰說 java 不能機器學習欄目 Java 简体版

原文原文鏈接

簡介

機器學習在全球範圍內愈來愈受歡迎和使用。它已經完全改變了某些應用程序的構建方式，而且可能會繼續成爲咱們平常生活中一個巨大的（而且正在增長的）部分。
沒有什麼包裝且機器學習並不簡單。它對許多人來講彷佛很是複雜並經常使人生畏。
像谷歌這樣的公司將本身的機器學習概念與開發人員聯繫起來，在谷歌幫助下讓他們逐漸邁出第一步，故TensorFlow的框架誕生了。java

TensorFlow爲什麼物？

TensorFlow是由谷歌使用Python和C++開發的開源機器學習框架。
它能夠幫助開發人員輕鬆獲取數據，準備和訓練模型，預測將來狀態，以及執行大規模機器學習。
有了它，咱們能夠訓練和運行深度神經網絡的內容，諸如光學字符識別，圖像識別/分類，天然語言處理等。python

張量與操做

TensorFlow基於計算圖，你能夠將其想象爲具備節點和邊的經典圖。
每一個節點被稱爲操做，它們將零個或多個張量輸入併產生零個或多個張量輸出。操做能夠很是簡單，例如基本的添加，但它們也能夠很是複雜。
張量被描繪爲圖的邊緣，而且是核心數據單元。當咱們將它們提供給操做時，咱們在這些張量上執行不一樣的功能。它們能夠具備單個或多個維度，有時也稱爲它們的等級(標量：等級0，向量：等級1，矩陣：等級2)。
這些數據受到操做的影響經過張量傳遞到計算圖中，故而稱爲TensorFlow。
張量能夠以任意數量的維度存儲數據，而且有三種主要類型的張量：佔位符，變量和常量。api

安裝TensorFlow

使用Maven，安裝TensorFlow就像包含依賴項同樣簡單：數組

<dependency>
  <groupId>org.tensorflow</groupId>
  <artifactId>tensorflow</artifactId>
  <version>1.13.1</version>
</dependency>

若是你的設備支持GPU功能，能夠添加如下依賴：安全

<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>

你可使用TensorFlow對象來檢查當前操做的TensorFlow的版本。服務器

System.out.println(TensorFlow.version());

TensorFlow的JavaAPI

Java API TensorFlow提供包含在org.tensorflow包中。它目前是實驗性的，所以不能保證其穩定性。
須要注意的是TensorFlow惟一徹底支持的語言是Python，Java API幾乎沒有什麼功能。
API向咱們介紹了新的類，接口，枚舉和異常。網絡

類

經過API引入的新類是：session

Graph：表示TensorFlow計算的數據流圖；
Operation：在Tensors上執行計算的Graph節點；
OperationBuilder：Operations的構建器類；
Output ：操做產生的張量的符號句柄；
SavedModelBundle：表示從存儲加載的模型；
SavedModelBundle.Loader：提供加載SavedModel的選項；
Server：進程內TensorFlow服務器，用於分佈式訓練；
Session：圖形執行的驅動程序；
Session.Run：輸出執行會話時得到的張量和元數據；
Session.Runner：運行操做並評估張量；
Shape：由操做產生的可能部分已知的張量形狀；
Tensor ：靜態類型的多維數組，其元素是由T描述的類型；
TensorFlow：描述TensorFlow運行時的靜態實用程序方法；
Tensors：用於建立張量對象的類型安全工廠方法；

枚舉

DataType：將張量中的元素類型表示爲枚舉；

接口

Operand ：由TensorFlow操做的操做數實現的接口；

異常

TensorFlowException：執行TensorFlow圖時拋出的未經檢查的異常

若是咱們將全部這些與Python中的tf模塊進行比較將發現存在明顯的區別。 Java API沒有幾乎相同的功能，至少目前如此。框架

圖(Graphs)

如前所述，TensorFlow基於計算圖 - 其中org.tensorflow.Graph是Java的實現。
注意：它的實例是線程安全的，儘管咱們須要在完成它以後顯式釋放Graph使用的資源。機器學習

讓咱們從一個空圖開始：

Graph graph = new Graph();

該對象是空的，因此這個圖表意義不大。要對它作任何操做，咱們首先須要使用Operations加載它。
咱們使用opBuilder()方法來加載它，它返回一個OperationBuilder對象，一旦咱們調用.build()方法，它就會將操做添加到咱們的圖形中。

常量

讓咱們在圖表中添加一個常量：

Operation x = graph.opBuilder("Const", "x")
               .setAttr("dtype", DataType.FLOAT)
               .setAttr("value", Tensor.create(3.0f))
               .build();

佔位符

佔位符是變量的「類型」，聲明時沒有賦值，他們的值將在以後進行分配。這容許咱們使用沒有任何實際數據的操做來構建圖形：

Operation y = graph.opBuilder("Placeholder", "y")
        .setAttr("dtype", DataType.FLOAT)
        .build();

函數

最後爲了解決這個問題，咱們須要添加某些函數。這些能夠像乘法，除法或加法同樣簡單，也能夠像矩陣乘法同樣複雜。和以前同樣，咱們使用.opBuilder()方法定義函數：

Operation xy = graph.opBuilder("Mul", "xy")
  .addInput(x.output(0))
  .addInput(y.output(0))
  .build();

注意：咱們使用input(0)做爲張量能夠有多個輸出。

圖形可視化

遺憾的是，Java API尚未包含任何容許像Python中同樣可視化圖形的工具。

會話(Sessions)

如前所述，Session是Graph的驅動程序。它封裝了執行Operation和Graph計算張量(tensors)的環境。
這意味着咱們構建的圖(graph)中的張量(tensors)實際上並無任何值，由於咱們沒有在會話(session)中運行圖形(graph)。
咱們首先將圖表添加到會話(session)中：

Session session = new Session(graph);

咱們的操做知識簡單地將x於y相乘，爲了運行咱們的圖(graph)並獲得計算結果，咱們須要使用fetch()獲取到xy的操做併爲其提供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());

運行這段代碼將產生的結果以下：

10.0f

Java當中加載Python中Saving模塊

這可能聽起來有點奇怪，但因爲Python是惟一受到良好支持的語言，所以Java API仍然沒有保存模型的功能。
這意味着Java API僅用於服務用例，至少在TensorFlow徹底支持以前。目前至少咱們可使用SavedModelBundle類在Python中訓練和保存模型，而後使用Java加載它們來爲它們提供服務：

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());