TensorFlow.Delphi下载TensorFlow.Delphi源代码下载

TensorFlow.Delphi

Delphi源码

1.0.0

下载

tensorflow.delphi （tf.delphi）为Tensorflow和Keras提供了Delphi（Pascal）标准结合。它的目的是在Delphi中实现完整的Tensorflow API，该API允许Pascal开发人员使用Pascal Delphi开发，训练和部署机器学习模型（将来移植到免费Pascal）。

主分支基于TensorFlow v2.11。无需Python引擎或安装。

注意：这是一个正在进行的工作。请这样对待。欢迎请求

为什么在Delphi-Pascal中进行张量？

目的是将流行的数据科学技术带入Delphi世界，并为.delphi/Pascal开发人员提供强大的机器学习工具，而无需重新发明轮子。由于将API保持尽可能相似，因此您可以立即使用Delphi中的任何现有的TensorFlow代码，零学习曲线。看看比较图片，看看如何舒适地使用TensorFlow/Python脚本转换为带有Tensorflow.delphi的Delphi程序。

CSHARP与Pacal

keras示例：

理念允许用Python编写的大量机器学习代码迅速迁移到Delphi，使Delphi/Pascal开发人员能够使用尖端的机器学习模型，并访问大量的TensorFlow资源，而没有该项目，这将是不可能的。

tensorflow.delphi还实现了TensorFlow的高级API，所有魔术都会发生。该计算图构建层仍在主动开发中。一旦完全实施，您就可以在Delphi-Pascal建立新的机器学习模型。

作为参考代码，我使用了

tesorflow.net

Tensorflow Python

示例代码

Graph模式下的线性回归：

 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 ;