干货使用TensorFlow官方Java API调用TensorFlow模型（附代码）

Posted 2021-04-24 专知

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了干货使用TensorFlow官方Java API调用TensorFlow模型（附代码）相关的知识，希望对你有一定的参考价值。

【导读】随着TensorFlow的普及，越来越多的行业希望将Github中大量已有的TensorFlow代码和模型集成到自己的业务系统中，如何在常见的编程语言（Java、NodeJS等）中使用TensorFlow成为了一个比较常见的问题。专知成员Hujun给大家详细介绍了在Java中使用TensorFlow的两种方法，并着重介绍如何用TensorFlow官方Java API调用已有TensorFlow模型的方法。

专知成员Hujun在以前就写过TensorFlow 1.4 Eager Execution系列教程，欢迎查看。

01：
02：

完整代码可以参见专知Github链接：

https://github.com/ZhuanZhiCode

1.Java调用TensorFlow的两种方法

使用Java调用TensorFlow大致有两种方法：

直接使用TensorFlow官方API调用训练好的pb模型:
https://www.tensorflow.org/api_docs/java/reference/org/tensorflow/package-summary
(推荐) 使用KerasServer托管TensorFlow/Keras代码及模型:
https://github.com/CrawlScript/KerasServer

虽然使用TensorFlow官方Java API可以直接对接训练好的pb模型，但在实际使用中，依然存在着与跨语种对接相关的繁琐代码。例如虽然已有使用Python编写好的基于TensorFlow的文本分类代码，但TensorFlow Java API的输入需要是量化的文本，这样我们又需要用Java重新实现在Python代码中已经实现的分词、从字符串到索引的转换等预处理操作（这些操作同时依赖于Python代码依赖的单词表等数据）。另外，由于Java没有numpy支持，在构建多维数组作为输入时，使用的依然是类似循环的操作，非常繁琐。

KerasServer支持restful交互，因此可以支持用任何程序语言调用TensorFlow/ Keras。由于KerasServer的服务端提供Python API, 因此可以直接将已有的TensorFlow/Keras Python代码和模型转换为KerasServer API，供Java/c/c++/C#/ Python/ NodeJS/Browser javascript等调用，而不需要再其他语种中进行繁琐的数据预处理操作。

例如，Java可直接将需要分类的文本数据提交给KerasServer，KerasServer可利用已有的Python代码对字符串进行分词、预处理等操作。

本教程介绍如何用TensorFlow官方Java API调用TensorFlow(Python)训练好的模型。教程的代码可在专知的Github项目中找到：

https://github.com/ZhuanZhiCode/TensorFlow-Java-Examples

2.依赖库

（1）Python依赖

TensorFlow

pip install tf-nightly

（2）Java依赖

本教程使用的是TensorFlow官方提供了Java接口，因此我们需要导入下面的Maven依赖：

<dependency>
   <groupId>org.tensorflow</groupId>
   <artifactId>tensorflow</artifactId>
   <version>1.5.0</version>
</dependency>

此外，还有一些工具类依赖：

<dependency>
   <groupId>commons-io</groupId>
   <artifactId>commons-io</artifactId>
   <version>2.6</version>
</dependency>

3.保存pb模型

下面的代码中，x是图的输入，z是图的输出。在代码的最后，调用tf.graph_util.convert_variables_to_constants 将图进行转换，最后将图保存为模型文件(pb)。

#coding=utf-8
import tensorflow as tf


# 定义图
x = tf.placeholder(tf.float32, name="x")
y = tf.get_variable("y", initializer=10.0)
z = tf.log(x + y, name="z")

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    # 进行一些训练代码，此处省略
    # xxxxxxxxxxxx

    # 显示图中的节点
    print([n.name for n in sess.graph.as_graph_def().node])
    frozen_graph_def = tf.graph_util.convert_variables_to_constants(
        sess,
        sess.graph_def,
        output_node_names=["z"])

    # 保存图为pb文件
    with open('model.pb', 'wb') as f:
      f.write(frozen_graph_def.SerializeToString())

4.在Java中调用TensorFlow的图(pb模型)

模型的执行与Python类似，依然是导入图，建立Session，指定输入(feed)和输出(fetch)。

import org.apache.commons.io.IOUtils;
import org.tensorflow.Graph;
import org.tensorflow.Session;
import org.tensorflow.Tensor;

import java.io.FileInputStream;
import java.io.IOException;

public class DemoImportGraph {

    public static void main(String[] args) throws IOException {
        try (Graph graph = new Graph()) {
            //导入图
            byte[] graphBytes = IOUtils.toByteArray(new 
            FileInputStream("model.pb"));
            graph.importGraphDef(graphBytes);

            //根据图建立Session
            try(Session session = new Session(graph)){
                //相当于TensorFlow Python中的sess.run(z, 
feed_dict = {'x': 10.0})
                float z = session.runner()
                        .feed("x", Tensor.create(10.0f))
                        .fetch("z").run().get(0).floatValue();
                System.out.println("z = " + z);
            }
        }

    }
}