TensorFlow.Delphi
1.0.0
Tensorflow.delphi (tf.delphi) fornece uma ligação padrão Delphi (Pascal) para Tensorflow e Keras. Ele visa implementar a API completa do TensorFlow em Delphi, que permite que os desenvolvedores da Pascal desenvolvam, treinem e implavem modelos de aprendizado de máquina com o Pascal Delphi (porta para libertar Pascal no futuro).
O Master Branch é baseado no Tensorflow v2.11. Não é necessário motor ou instalação python .
A intenção é trazer a tecnologia popular de ciência de dados para o mundo Delphi e fornecer aos desenvolvedores .Delphi/Pascal um poderoso conjunto de ferramentas de aprendizado de máquina sem reinventar a roda. Como as APIs são mantidas o mais semelhante possível, você pode adaptar imediatamente qualquer código de tensorflow existente em Delphi com uma curva de aprendizado zero. Dê uma olhada em uma foto de comparação e veja como um script de tensorflow/python se traduz em um programa Delphi com tensorflow.delphi.
Exemplos de Keras:
A filosofia permite que um grande número de código de aprendizado de máquina escrito em Python seja rapidamente migrado para a Delphi, permitindo que os desenvolvedores Delphi/Pascal usem modelos de aprendizado de máquina de ponta e acessem um grande número de recursos de tensorflow que não seriam possíveis sem este projeto.
O Tensorflow.delphi também implementa a API de alto nível do TensorFlow, onde toda a mágica acontece. Esta camada de construção de gráficos de computação ainda está em desenvolvimento ativo. Uma vez implementado completamente, você pode criar novos modelos de aprendizado de máquina no Delphi-Pascal.
Como um código de referência que usei
Tesorflow.net
Tensorflow Python
Regressão linear no modo Graph :
function LinearRegression.Run (mmo1: TMemo): Boolean;
begin
tf.compat.v1.disable_eager_execution;
PrepareData;
// tf Graph Input
var X : TTensor := tf.placeholder(tf.float32_t);
var Y : TTensor := tf.placeholder(tf.float32_t);
// Set model weights
// We can set a fixed init value in order to debug
// var rnd1 = rng.randn<float>();
// var rnd2 = rng.randn<float>();
var W := tf.Variable(Single(- 0.06 ), ' weight ' );
var b := tf.Variable(Single(- 0.73 ), ' bias ' );
// Construct a linear model
var pred : TTensor := tf.add(tf.multiply(X, W), b);
// var pred1 := (X * W) + b; OK
// Mean squared error
var cost := TTensor(tf.reduce_sum(tf. pow (pred - Y, 2.0 ))) / ( 2.0 * n_samples) ;
// Gradient descent
// Note, minimize() knows to modify W and b because Variable objects are trainable=True by default
var optimizer := tf.train.GradientDescentOptimizer(learning_rate).minimize(cost);
// Initialize the variables (i.e. assign their default value)
var init := tf.global_variables_initializer;
// Start training
var sess := tf.Session;
// Run the initializer
sess.run(init);
// Fit all training data
var epoch: Integer ;
for epoch := 0 to training_epochs - 1 do
begin
for var zItem in TUtils.zip<Single>(train_X, train_Y) do
begin
var v_x : Single := zItem.Value1 ;
var v_y : Single := zItem.Value2 ;
sess.run(optimizer, [ Tuple<TValue,TValue>.Create(X, v_x), Tuple<TValue,TValue>.Create(Y, v_y) ]);
end ;
// Display logs per epoch step
if ((epoch + 1 ) mod display_step) = 0 then
begin
var fc : Single := NDArray(sess.run(cost, [ Tuple<TValue,TValue>.Create(X, train_X), Tuple<TValue,TValue>.Create(Y, train_Y) ]));
var fW : Single := NDArray(sess.run( TResourceVariable(W) ));
var fb : Single := NDArray(sess.run( TResourceVariable(b) ));
mmo1.Lines.Add( Format( ' Epoch: %d cost=%.9f + "W=%.9f b=%.9f" ' ,[epoch + 1 ,fc, fW,fb]) );
end ;
end ;
mmo1.Lines.Add( ' Optimization Finished! ' );
var training_cost : Single := NDArray(sess.run(cost, [ Tuple<TValue,TValue>.Create(X, train_X), Tuple<TValue,TValue>.Create(Y, train_Y) ]));
var fW : Single := NDArray(sess.run( TResourceVariable(W) ));
var fb : Single := NDArray(sess.run( TResourceVariable(b) ));
mmo1.Lines.Add( ' ' );
mmo1.Lines.Add(Format( ' Training cost=%.9f W=%.9f b=%.9f ' ,[training_cost, fW, fb]));
// Testing example
var test_X : NDArray := np.np_array( TArray<Single>.Create( 6.83 , 4.668 , 8.9 , 7.91 , 5.7 , 8.7 , 3.1 , 2.1 ) );
var test_Y : NDArray := np.np_array( TArray<Single>.Create( 1.84 , 2.273 , 3.2 , 2.831 , 2.92 , 3.24 , 1.35 , 1.03 ) );
mmo1.Lines.Add( ' Testing... (Mean square loss Comparison) ' );
var t_cost := TTensor(tf.reduce_sum(tf. pow (pred - Y, 2.0 ))) / ( 2.0 * test_X.shape[ 0 ]) ;
var testing_cost : Single := NDArray(sess.run(t_cost, [ Tuple<TValue,TValue>.Create(X, test_X), Tuple<TValue,TValue>.Create(Y, test_Y) ]));
mmo1.Lines.Add( ' ' );
mmo1.Lines.Add( Format( ' Testing cost=%.9f ' ,[testing_cost]) );
var diff := Abs( training_cost - testing_cost);
mmo1.Lines.Add( Format( ' Absolute mean square loss difference: %.9f ' ,[diff]) );
mmo1.Lines.Add( ' ' );
Result := diff < 0.01 ;
end ;Compatível com todas as versões Delphi que suportam variável embutida (10.3 e superior).
Para compilar, você precisa de algumas bibliotecas externas:
Está com vontade de contribuir para um dos projetos mais quentes no campo de aprendizado de máquina? Quer saber como o TensorFlow cria magicamente o gráfico computacional? Agradecemos todas as contribuições, por mais pequenas que sejam. Existem tarefas para iniciantes para especialistas, se todos abordarem apenas uma pequena tarefa, a soma das contribuições será enorme.
Você pode:
Siga -nos no Twitter
