[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-tensorflow--java":3,"tool-tensorflow--java":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",144730,2,"2026-04-07T23:26:32",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":77,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":102,"forks":103,"last_commit_at":104,"license":105,"difficulty_score":10,"env_os":106,"env_gpu":107,"env_ram":108,"env_deps":109,"category_tags":117,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":118,"updated_at":119,"faqs":120,"releases":149},5484,"tensorflow\u002Fjava","java","Java bindings for TensorFlow","Java 是 TensorFlow 专为 Java 及 JVM 生态（如 Scala、Kotlin）打造的官方绑定库，让开发者能够直接在 Java 环境中构建、训练和运行机器学习模型。它有效解决了以往企业级应用中，因核心算法多由 Python 主导而导致的语言栈割裂问题，使得熟悉 Java 的团队无需切换技术栈即可大规模落地人工智能应用。\n\n这款工具特别适合广大企业后端开发者、数据工程师以及需要在现有 Java 系统中集成 AI 能力的研究团队。其核心亮点在于独立的发布节奏与现代化的构建体验：代码已从 TensorFlow 主仓库剥离，支持独立迭代更新；同时构建系统从 Bazel 迁移至 Maven，大幅降低了 Java 开发者的上手门槛。在功能架构上，Java 提供了分层设计，既包含轻量级的 `tensorflow-core` 供框架开发者调用底层原生库，也提供了面向神经网络开发的 `tensorflow-framework` 高级 API。此外，它还支持针对 Linux、Windows、macOS 等不同平台及 GPU 加速场景的精细化依赖管理，帮助开发者在确保性能的同时最小化应用","Java 是 TensorFlow 专为 Java 及 JVM 生态（如 Scala、Kotlin）打造的官方绑定库，让开发者能够直接在 Java 环境中构建、训练和运行机器学习模型。它有效解决了以往企业级应用中，因核心算法多由 Python 主导而导致的语言栈割裂问题，使得熟悉 Java 的团队无需切换技术栈即可大规模落地人工智能应用。\n\n这款工具特别适合广大企业后端开发者、数据工程师以及需要在现有 Java 系统中集成 AI 能力的研究团队。其核心亮点在于独立的发布节奏与现代化的构建体验：代码已从 TensorFlow 主仓库剥离，支持独立迭代更新；同时构建系统从 Bazel 迁移至 Maven，大幅降低了 Java 开发者的上手门槛。在功能架构上，Java 提供了分层设计，既包含轻量级的 `tensorflow-core` 供框架开发者调用底层原生库，也提供了面向神经网络开发的 `tensorflow-framework` 高级 API。此外，它还支持针对 Linux、Windows、macOS 等不同平台及 GPU 加速场景的精细化依赖管理，帮助开发者在确保性能的同时最小化应用体积。","# TensorFlow for Java\n\n## Welcome to the Java world of TensorFlow!\n\nTensorFlow can run on any JVM for building, training and running machine learning models. It comes with \na series of utilities and frameworks that help achieve most of the tasks common to data scientists \nand developers working in this domain. Java and other JVM languages, such as Scala or Kotlin, are \nfrequently used in small-to-large enterprises all over the world, which makes TensorFlow a strategic \nchoice for adopting machine learning at a large scale.\n\n## This Repository\n\nIn the early days, the Java language bindings for TensorFlow were hosted in the [main repository](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow)\nand released only when a new version of the core library was ready to be distributed, which happens only\na few times a year. Now, all Java-related code has been moved to this repository so that it can evolve and \nbe released independently from official TensorFlow releases. In addition, most of the build tasks have been\nmigrated from Bazel to Maven, which is more familiar for most Java developers.\n\nThe following describes the layout of the repository and its different artifacts:\n\n* `tensorflow-core`\n  * All artifacts that build up the core language bindings of TensorFlow for Java\n  * Intended audience: projects that provide their own APIs or frameworks on top of \n    TensorFlow and just want a thin layer to access the TensorFlow native library from the JVM\n    \n* `tensorflow-framework`\n  * Primary API for building and training neural networks with TensorFlow\n  * Intended audience: neural network developers\n  * For more information: [tensorflow-framework\u002FREADME.md](tensorflow-framework\u002FREADME.md)\n\n*Note: The NdArray Library module has now its own [repository](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava-ndarray) and has been moved out of TensorFlow Java.*\n\n## Communication\n\nThis repository is maintained by TensorFlow JVM Special Interest Group (SIG). You can easily contact the group\nby posting to the [TensorFlow Forum](https:\u002F\u002Fdiscuss.tensorflow.org), adding the `sig_jvm` tag, or by writing to us on\nthe [sig-jvm Gitter channel](https:\u002F\u002Fgitter.im\u002Ftensorflow\u002Fsig-jvm). You can also simply send pull requests \nand raise issues to this repository.\n\n## Building Sources\n\nSee [CONTRIBUTING.md](CONTRIBUTING.md#building).\n\n## Using Maven Artifacts\n\nThere are two options for adding TensorFlow Java as a dependency to your Maven project: with individual dependencies \nfor each targeted platform or with a single dependency that targets them all.\n\n### Individual dependencies\n\nWith this option, you must first add a dependency to `tensorflow-core-api` and then one or multiple\ndependencies to `tensorflow-core-native` with a classifier targeting a specific platform. This option is preferred as \nit minimizes the size of your application by only including the TensorFlow builds you need, at the cost of being more \nrestrictive. \n\nWhile TensorFlow Java can be compiled for [multiple platforms](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fblob\u002Fmaster\u002Ftensorflow-core\u002Fpom.xml#L54),\nonly binaries for the following are being **supported and distributed** by this project:\n\n- `linux-x86_64`: Linux platforms on Intel\u002FAMD chips\n- `linux-x86_64-gpu`: Linux platforms on Intel\u002FAMD chips with Cuda GPU support\n- `linux-arm64`: Linux platforms on Arm chips\n- `macosx-arm64`: MacOS X platforms on Apple Silicon chips\n- `windows-x86_64`: Windows platforms on Intel\u002FAMD chips (v1.1.0 and earlier)\n\nBinaries for `macosx-x86_64` are available for TF-Java 1.0 series releases and earlier, they were dropped from\nTF-Java 1.1 and newer as they are no longer supported or released by Google.\n\nFor example, for building a JAR that uses TensorFlow and is targeted to be deployed only on Linux\nsystems with no GPU support, you should add the following dependencies:\n```xml\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-api\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n\u003C\u002Fdependency>\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-native\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n  \u003Cclassifier>linux-x86_64\u003C\u002Fclassifier>\n\u003C\u002Fdependency>\n```\nOr Gradle:\n```groovy\ndef tfVersion = '1.1.0'\nimplementation \"org.tensorflow:tensorflow-core-api:$tfVersion\"\nimplementation \"org.tensorflow:tensorflow-core-native:$tfVersion:linux-x86_64\"\n```\n\nOn the other hand, if you plan to deploy your JAR on more platforms, you need additional\nnative dependencies as follows:\n```xml\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-api\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n\u003C\u002Fdependency>\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-native\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n  \u003Cclassifier>linux-x86_64-gpu\u003C\u002Fclassifier>\n\u003C\u002Fdependency>\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-native\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n  \u003Cclassifier>macosx-arm64\u003C\u002Fclassifier>\n\u003C\u002Fdependency>\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-native\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n  \u003Cclassifier>windows-x86_64\u003C\u002Fclassifier>\n\u003C\u002Fdependency>\n```\nOr Gradle:\n```groovy\ndef tfVersion = '1.1.0'\nimplementation \"org.tensorflow:tensorflow-core-api:$tfVersion\"\nimplementation \"org.tensorflow:tensorflow-core-native:$tfVersion:linux-x86_64-gpu\"\nimplementation \"org.tensorflow:tensorflow-core-native:$tfVersion:macosx-arm64\"\nimplementation \"org.tensorflow:tensorflow-core-native:$tfVersion:windows-x86_64\"\n```\n\nOnly one dependency can be added per platform, meaning that you cannot add native dependencies to both `linux-x86_64` and \n`linux-x86_64-gpu` within the same project.\n\nTo use an NVIDIA GPU, you need to install the NVIDIA device driver, CUDA Toolkit, and cuDNN.\nFor Ubuntu 24.04, you can install them with the following command:\n```sudo apt install -y nvidia-driver-550 nvidia-cuda-toolkit nvidia-cudnn```\n\n### Single dependency\n\nIn some cases, it might be preferable to add a single dependency that includes transitively all the artifacts \nrequired to run TensorFlow Java on any [supported platforms](README.md#individual-dependencies)\n\n- `tensorflow-core-platform`: Includes `tensorflow-core-api`, plus native artifacts for `linux-x86_64`, `linux-x86_64-arm64`, `macosx-arm64` and `windows-x86_64`\n\nFor example, to run TensorFlow Java on any CPU platform for which a binary is being distributed by this project, you can \nsimply add this dependency to your application:\n```xml\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-platform\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n\u003C\u002Fdependency>\n```\nOr Gradle:\n```groovy\nimplementation \"org.tensorflow:tensorflow-core-platform:1.1.0\"\n```\n\nBe aware though that the builds of TensorFlow are quite voluminous and including too many native dependencies may\nsignificantly increase the size of your application. So it is good practice to limit your dependencies to\nthe platforms you are targeting. For this purpose these artifacts include profiles that follow\nthe conventions established on this page:\n* [Reducing the Number of Dependencies](https:\u002F\u002Fgithub.com\u002Fbytedeco\u002Fjavacpp-presets\u002Fwiki\u002FReducing-the-Number-of-Dependencies)\n\n### Snapshots\n\nSnapshots of TensorFlow Java artifacts are automatically distributed after each update in the code. To use them, you need\nto add Sonatype OSS repository in your `pom.xml`, like the following\n\n```xml\n\u003Crepositories>\n    \u003Crepository>\n        \u003Cid>tensorflow-snapshots\u003C\u002Fid>\n        \u003Curl>https:\u002F\u002Foss.sonatype.org\u002Fcontent\u002Frepositories\u002Fsnapshots\u002F\u003C\u002Furl>\n        \u003Csnapshots>\n            \u003Cenabled>true\u003C\u002Fenabled>\n        \u003C\u002Fsnapshots>\n    \u003C\u002Frepository>\n\u003C\u002Frepositories>\n\u003Cdependencies>\n    \u003C!-- Example of dependency, see section above for more options -->\n    \u003Cdependency>\n        \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n        \u003CartifactId>tensorflow-core-platform\u003C\u002FartifactId>\n        \u003Cversion>1.2.0-SNAPSHOT\u003C\u002Fversion>\n    \u003C\u002Fdependency>\n\u003C\u002Fdependencies>\n```\nOr Gradle:\n```groovy\nrepositories {\n  mavenCentral()\n  maven {\n    url = uri(\"https:\u002F\u002Foss.sonatype.org\u002Fcontent\u002Frepositories\u002Fsnapshots\")\n  }\n}\n\ndependencies {\n    \u002F\u002F Example of dependency, see section above for more options\n    implementation \"org.tensorflow:tensorflow-core-platform:1.2.0-SNAPSHOT\"\n}\n```\n\n## TensorFlow\u002FJava Version Support\n\nThis table shows the mapping between TensorFlow, TensorFlow Java and minimum supported Java versions.\n\n| TensorFlow Java Version | TensorFlow Version | Minimum Java Version |\n|-------------------------|--------------------|----------------------|\n| 0.2.0                   | 2.3.1              | 8                    |\n| 0.3.0                   | 2.4.1              | 8                    |\n| 0.3.1                   | 2.4.1              | 8                    |\n| 0.3.2                   | 2.4.1              | 8                    |\n| 0.3.3                   | 2.4.1              | 8                    |\n| 0.4.0                   | 2.7.0              | 8                    |\n| 0.4.1                   | 2.7.1              | 8                    |\n| 0.4.2                   | 2.7.4              | 8                    |\n| 0.5.0                   | 2.10.1             | 11                   |\n| 1.0.0-rc.1              | 2.16.1             | 11                   |\n| 1.0.0-rc.2              | 2.16.2             | 11                   |\n| 1.0.0                   | 2.16.2             | 11                   |\n| 1.1.0                   | 2.18.0             | 11                   |\n| 1.2.0-SNAPSHOT          | 2.20.0             | 11                   |\n\n## How to Contribute?\n\nContributions are welcome, guidelines are located in [CONTRIBUTING.md](CONTRIBUTING.md).\n\n## Code and Usage Examples\n\nPlease look at this repository: https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava-models\n","# TensorFlow for Java\n\n## 欢迎来到 TensorFlow 的 Java 世界！\n\nTensorFlow 可以在任何 JVM 上运行，用于构建、训练和部署机器学习模型。它提供了一系列工具和框架，可以帮助数据科学家和该领域的开发者完成大多数常见任务。Java 以及 Scala 或 Kotlin 等其他 JVM 语言在全球各地的中小型企业中被广泛使用，这使得 TensorFlow 成为大规模采用机器学习的战略性选择。\n\n## 本仓库\n\n早期，TensorFlow 的 Java 绑定托管在 [主仓库](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow) 中，并且仅在核心库的新版本准备发布时才会一起发布，而这种情况一年通常只发生几次。现在，所有与 Java 相关的代码已被迁移到本仓库，以便能够独立于官方 TensorFlow 发布进行开发和更新。此外，大部分构建任务已从 Bazel 迁移到 Maven，这对于大多数 Java 开发者来说更加熟悉。\n\n以下描述了仓库的布局及其不同构件：\n\n* `tensorflow-core`\n  * 构建 TensorFlow Java 核心语言绑定的所有构件\n  * 目标用户：在 TensorFlow 基础之上提供自有 API 或框架的项目，只需要一个轻量级的层来从 JVM 访问 TensorFlow 原生库\n  \n* `tensorflow-framework`\n  * 使用 TensorFlow 构建和训练神经网络的主要 API\n  * 目标用户：神经网络开发者\n  * 更多信息请参阅：[tensorflow-framework\u002FREADME.md](tensorflow-framework\u002FREADME.md)\n\n*注：NdArray 库模块现已拥有自己的 [仓库](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava-ndarray)，并已从 TensorFlow Java 项目中移出。*\n\n## 沟通方式\n\n本仓库由 TensorFlow JVM 特别兴趣小组（SIG）维护。您可以通过在 [TensorFlow 论坛](https:\u002F\u002Fdiscuss.tensorflow.org) 上发帖并添加 `sig_jvm` 标签，或通过 [sig-jvm Gitter 频道](https:\u002F\u002Fgitter.im\u002Ftensorflow\u002Fsig-jvm) 联系我们。您也可以直接向本仓库提交拉取请求或提出问题。\n\n## 构建源代码\n\n请参阅 [CONTRIBUTING.md](CONTRIBUTING.md#building)。\n\n## 使用 Maven 构件\n\n将 TensorFlow Java 作为依赖项添加到您的 Maven 项目中有两种方式：分别为每个目标平台单独添加依赖，或者使用一个同时支持所有平台的单一依赖。\n\n### 单独添加依赖\n\n采用这种方式时，您需要先添加 `tensorflow-core-api` 的依赖，然后再添加一个或多个带有特定平台分类器的 `tensorflow-core-native` 依赖。这种方法更受推荐，因为它只包含您所需的 TensorFlow 构建，从而最小化应用程序的大小，但同时也更具限制性。\n\n虽然 TensorFlow Java 可以针对 [多种平台](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fblob\u002Fmaster\u002Ftensorflow-core\u002Fpom.xml#L54) 进行编译，但本项目目前**仅支持并分发**以下平台的二进制文件：\n\n- `linux-x86_64`：基于 Intel\u002FAMD 芯片的 Linux 平台\n- `linux-x86_64-gpu`：支持 CUDA GPU 的 Intel\u002FAMD 芯片上的 Linux 平台\n- `linux-arm64`：基于 Arm 芯片的 Linux 平台\n- `macosx-arm64`：基于 Apple Silicon 芯片的 macOS X 平台\n- `windows-x86_64`：基于 Intel\u002FAMD 芯片的 Windows 平台（v1.1.0 及更早版本）\n\n适用于 `macosx-x86_64` 的二进制文件仅在 TF-Java 1.0 系列及更早版本中可用；自 TF-Java 1.1 及更高版本起，由于 Google 已不再支持或发布这些版本，因此相关二进制文件已被移除。\n\n例如，如果您要构建一个仅用于部署在无 GPU 支持的 Linux 系统上的 JAR 包，应添加以下依赖：\n```xml\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-api\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n\u003C\u002Fdependency>\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-native\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n  \u003Cclassifier>linux-x86_64\u003C\u002Fclassifier>\n\u003C\u002Fdependency>\n```\n或使用 Gradle：\n```groovy\ndef tfVersion = '1.1.0'\nimplementation \"org.tensorflow:tensorflow-core-api:$tfVersion\"\nimplementation \"org.tensorflow:tensorflow-core-native:$tfVersion:linux-x86_64\"\n```\n\n另一方面，如果您计划将 JAR 包部署到更多平台上，则需要添加额外的原生依赖，如下所示：\n```xml\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-api\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n\u003C\u002Fdependency>\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-native\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n  \u003Cclassifier>linux-x86_64-gpu\u003C\u002Fclassifier>\n\u003C\u002Fdependency>\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-native\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n  \u003Cclassifier>macosx-arm64\u003C\u002Fclassifier>\n\u003C\u002Fdependency>\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-native\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n  \u003Cclassifier>windows-x86_64\u003C\u002Fclassifier>\n\u003C\u002Fdependency>\n```\n或使用 Gradle：\n```groovy\ndef tfVersion = '1.1.0'\nimplementation \"org.tensorflow:tensorflow-core-api:$tfVersion\"\nimplementation \"org.tensorflow:tensorflow-core-native:$tfVersion:linux-x86_64-gpu\"\nimplementation \"org.tensorflow:tensorflow-core-native:$tfVersion:macosx-arm64\"\nimplementation \"org.tensorflow:tensorflow-core-native:$tfVersion:windows-x86_64\"\n```\n\n每个平台只能添加一个依赖，这意味着您不能在同一项目中同时添加 `linux-x86_64` 和 `linux-x86_64-gpu` 的原生依赖。\n\n若要使用 NVIDIA GPU，您需要安装 NVIDIA 设备驱动程序、CUDA Toolkit 和 cuDNN。对于 Ubuntu 24.04，您可以使用以下命令安装它们：\n```sudo apt install -y nvidia-driver-550 nvidia-cuda-toolkit nvidia-cudnn```\n\n### 单一依赖项\n\n在某些情况下，添加一个包含运行 TensorFlow Java 所需所有工件的单一依赖项可能是更优的选择，这些工件会以传递方式引入，适用于任何[受支持的平台](README.md#individual-dependencies)。\n\n- `tensorflow-core-platform`：包含 `tensorflow-core-api`，以及针对 `linux-x86_64`、`linux-x86_64-arm64`、`macosx-arm64` 和 `windows-x86_64` 的原生工件。\n\n例如，要在本项目分发二进制文件的任何 CPU 平台上运行 TensorFlow Java，只需将以下依赖项添加到您的应用中：\n```xml\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-platform\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n\u003C\u002Fdependency>\n```\n或使用 Gradle：\n```groovy\nimplementation \"org.tensorflow:tensorflow-core-platform:1.1.0\"\n```\n\n不过请注意，TensorFlow 的构建产物体积较大，如果包含过多的原生依赖，可能会显著增加应用程序的大小。因此，建议将依赖限制为您目标运行的平台。为此，这些工件包含了遵循本页面约定的配置文件：\n* [减少依赖数量](https:\u002F\u002Fgithub.com\u002Fbytedeco\u002Fjavacpp-presets\u002Fwiki\u002FReducing-the-Number-of-Dependencies)\n\n### 快照版本\n\nTensorFlow Java 工件的快照版本会在代码每次更新后自动发布。要使用这些快照版本，您需要在 `pom.xml` 中添加 Sonatype OSS 仓库，如下所示：\n\n```xml\n\u003Crepositories>\n    \u003Crepository>\n        \u003Cid>tensorflow-snapshots\u003C\u002Fid>\n        \u003Curl>https:\u002F\u002Foss.sonatype.org\u002Fcontent\u002Frepositories\u002Fsnapshots\u002F\u003C\u002Furl>\n        \u003Csnapshots>\n            \u003Cenabled>true\u003C\u002Fenabled>\n        \u003C\u002Fsnapshots>\n    \u003C\u002Frepository>\n\u003C\u002Frepositories>\n\u003Cdependencies>\n    \u003C!-- 依赖示例，更多选项请参阅上文 -->\n    \u003Cdependency>\n        \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n        \u003CartifactId>tensorflow-core-platform\u003C\u002FartifactId>\n        \u003Cversion>1.2.0-SNAPSHOT\u003C\u002Fversion>\n    \u003C\u002Fdependency>\n\u003C\u002Fdependencies>\n```\n或使用 Gradle：\n```groovy\nrepositories {\n  mavenCentral()\n  maven {\n    url = uri(\"https:\u002F\u002Foss.sonatype.org\u002Fcontent\u002Frepositories\u002Fsnapshots\")\n  }\n}\n\ndependencies {\n    \u002F\u002F 依赖示例，更多选项请参阅上文\n    implementation \"org.tensorflow:tensorflow-core-platform:1.2.0-SNAPSHOT\"\n}\n```\n\n## TensorFlow\u002FJava 版本支持\n\n下表展示了 TensorFlow、TensorFlow Java 与最低支持 Java 版本之间的对应关系。\n\n| TensorFlow Java 版本 | TensorFlow 版本 | 最低 Java 版本 |\n|-------------------------|--------------------|----------------------|\n| 0.2.0                   | 2.3.1              | 8                    |\n| 0.3.0                   | 2.4.1              | 8                    |\n| 0.3.1                   | 2.4.1              | 8                    |\n| 0.3.2                   | 2.4.1              | 8                    |\n| 0.3.3                   | 2.4.1              | 8                    |\n| 0.4.0                   | 2.7.0              | 8                    |\n| 0.4.1                   | 2.7.1              | 8                    |\n| 0.4.2                   | 2.7.4              | 8                    |\n| 0.5.0                   | 2.10.1             | 11                   |\n| 1.0.0-rc.1              | 2.16.1             | 11                   |\n| 1.0.0-rc.2              | 2.16.2             | 11                   |\n| 1.0.0                   | 2.16.2             | 11                   |\n| 1.1.0                   | 2.18.0             | 11                   |\n| 1.2.0-SNAPSHOT          | 2.20.0             | 11                   |\n\n## 如何贡献？\n\n欢迎各位贡献代码和建议，具体指南请参阅 [CONTRIBUTING.md](CONTRIBUTING.md)。\n\n## 代码与使用示例\n\n请查看此仓库：https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava-models","# TensorFlow for Java 快速上手指南\n\n## 1. 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：\n    *   Linux (x86_64, arm64)\n    *   macOS (Apple Silicon arm64)\n    *   Windows (x86_64)\n    *   *注意：macOS x86_64 (Intel) 在 1.1.0 及更高版本中已不再支持。*\n*   **JDK 版本**：最低需要 **Java 11** (针对 TensorFlow Java 1.x 版本)。\n*   **构建工具**：Maven 或 Gradle。\n*   **GPU 支持（可选）**：\n    若需使用 NVIDIA GPU 进行加速，需预先安装 NVIDIA 驱动、CUDA Toolkit 和 cuDNN。\n    以 Ubuntu 24.04 为例，安装命令如下：\n    ```bash\n    sudo apt install -y nvidia-driver-550 nvidia-cuda-toolkit nvidia-cudnn\n    ```\n\n## 2. 安装步骤\n\n根据您的项目需求，选择以下两种方式之一将 TensorFlow Java 添加为依赖。推荐方式一以减小应用体积。\n\n### 方式一：指定平台依赖（推荐）\n\n此方式仅包含您目标运行平台所需的原生库，能有效减小打包体积。您需要同时引入 `tensorflow-core-api` 和对应平台的 `tensorflow-core-native`。\n\n**Maven (`pom.xml`)**\n\n针对 Linux x86_64 (无 GPU) 环境：\n```xml\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-api\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n\u003C\u002Fdependency>\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-native\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n  \u003Cclassifier>linux-x86_64\u003C\u002Fclassifier>\n\u003C\u002Fdependency>\n```\n\n若需支持多平台（例如同时支持 Linux GPU、macOS ARM 和 Windows），可添加多个 native 依赖：\n```xml\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-api\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n\u003C\u002Fdependency>\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-native\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n  \u003Cclassifier>linux-x86_64-gpu\u003C\u002Fclassifier>\n\u003C\u002Fdependency>\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-native\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n  \u003Cclassifier>macosx-arm64\u003C\u002Fclassifier>\n\u003C\u002Fdependency>\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-native\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n  \u003Cclassifier>windows-x86_64\u003C\u002Fclassifier>\n\u003C\u002Fdependency>\n```\n\n**Gradle (`build.gradle`)**\n\n```groovy\ndef tfVersion = '1.1.0'\nimplementation \"org.tensorflow:tensorflow-core-api:$tfVersion\"\n\u002F\u002F 根据目标平台选择 classifier，例如 linux-x86_64\nimplementation \"org.tensorflow:tensorflow-core-native:$tfVersion:linux-x86_64\"\n```\n\n### 方式二：全平台依赖（便捷模式）\n\n如果您希望代码能在任何支持的平台上直接运行，而不关心具体架构，可以使用 `tensorflow-core-platform`。但这会显著增加最终构建的 JAR 包体积。\n\n**Maven (`pom.xml`)**\n```xml\n\u003Cdependency>\n  \u003CgroupId>org.tensorflow\u003C\u002FgroupId>\n  \u003CartifactId>tensorflow-core-platform\u003C\u002FartifactId>\n  \u003Cversion>1.1.0\u003C\u002Fversion>\n\u003C\u002Fdependency>\n```\n\n**Gradle (`build.gradle`)**\n```groovy\nimplementation \"org.tensorflow:tensorflow-core-platform:1.1.0\"\n```\n\n> **提示**：如需使用最新的开发快照版本（Snapshot），需在构建配置中添加 Sonatype OSS 仓库地址，并将版本号改为如 `1.2.0-SNAPSHOT`。\n\n## 3. 基本使用\n\nTensorFlow for Java 提供了两种主要的使用层级：\n1.  **tensorflow-core**: 底层 API，用于直接调用 TensorFlow 原生功能。\n2.  **tensorflow-framework**: 高层 API，类似于 Python 中的 `tf.keras`，用于快速构建和训练神经网络。\n\n以下是一个使用 **tensorflow-framework** 构建并训练简单模型的示例：\n\n```java\nimport org.tensorflow.framework.losses.Losses;\nimport org.tensorflow.framework.metrics.Metrics;\nimport org.tensorflow.framework.optimizers.SGD;\nimport org.tensorflow.ndarray.NdArrays;\nimport org.tensorflow.types.TFloat32;\n\npublic class QuickStart {\n    public static void main(String[] args) {\n        \u002F\u002F 1. 准备数据 (简单的线性关系 y = 2x)\n        var xTrain = NdArrays.ofFloats(new float[][]{{1}, {2}, {3}, {4}});\n        var yTrain = NdArrays.ofFloats(new float[][]{{2}, {4}, {6}, {8}});\n\n        \u002F\u002F 2. 构建模型 (单层线性回归)\n        try (var model = new org.tensorflow.framework.models.Sequential\u003C>()) {\n            model.add(org.tensorflow.framework.layers.Dense.builder()\n                    .units(1)\n                    .inputShape(org.tensorflow.types.Shape.of(1))\n                    .build());\n\n            \u002F\u002F 3. 编译模型\n            model.compile(SGD.builder().learningRate(0.01).build(), \n                          Losses.MSE, \n                          Metrics.MAE);\n\n            \u002F\u002F 4. 训练模型\n            model.fit(xTrain, yTrain, 100); \u002F\u002F 训练 100 个 epoch\n\n            \u002F\u002F 5. 预测\n            var xTest = NdArrays.ofFloats(new float[][]{{5}});\n            var prediction = model.predict(xTest);\n            \n            System.out.println(\"预测结果 (输入 5): \" + prediction.getObject(0)); \n            \u002F\u002F 预期输出接近 10.0\n        }\n    }\n}\n```\n\n更多复杂的模型示例和预训练模型用法，请参考官方示例仓库：[https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava-models](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava-models)","某大型电商企业的后端团队需要在现有的 Java 微服务架构中集成实时欺诈检测模型，以拦截异常交易。\n\n### 没有 java 时\n- **架构割裂严重**：数据科学家使用 Python 训练模型，而生产环境是纯 Java 集群，必须额外部署 Python 推理服务，导致系统架构复杂且维护成本高。\n- **通信延迟高昂**：Java 后端需通过 HTTP 或 gRPC 调用外部 Python 服务，网络往返增加了毫秒级延迟，无法满足高并发交易场景下的实时性要求。\n- **依赖管理混乱**：团队需在 JVM 环境中强行嵌入 Python 运行时或配置复杂的容器化方案，不仅占用大量资源，还常因环境版本不一致引发线上故障。\n- **开发流程断层**：Java 开发者无法直接读取或操作 TensorFlow 模型图，调试和迭代模型逻辑时必须依赖跨语言协作，严重拖慢上线速度。\n\n### 使用 java 后\n- **原生无缝集成**：利用 java 提供的原生绑定，团队直接在 Java 代码中加载并运行 TensorFlow 模型，无需引入任何外部语言运行时，架构回归简洁统一。\n- **零网络延迟推理**：模型推理过程在 JVM 进程内完成，消除了网络调用开销，将单次检测延迟从数十毫秒降低至微秒级，显著提升吞吐量。\n- **标准化构建部署**：借助对 Maven 的原生支持，开发人员只需在 `pom.xml` 中添加对应平台（如 `linux-x86_64-gpu`）的依赖即可自动获取底层二进制文件，彻底解决环境兼容难题。\n- **全栈自主可控**：Java 工程师可直接使用 `tensorflow-framework` 构建和微调神经网络，实现了从数据处理到模型部署的全链路闭环开发。\n\njava 让企业能够以纯 Java 技术栈低成本、高性能地规模化落地机器学习能力，真正打通了算法研究与生产应用之间的“最后一公里”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_java_db793744.png","tensorflow","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftensorflow_07ed5093.png","",null,"github-admin@tensorflow.org","http:\u002F\u002Fwww.tensorflow.org","https:\u002F\u002Fgithub.com\u002Ftensorflow",[81,85,89,92,96,99],{"name":82,"color":83,"percentage":84},"Java","#b07219",99.7,{"name":86,"color":87,"percentage":88},"C++","#f34b7d",0.1,{"name":90,"color":91,"percentage":88},"Shell","#89e051",{"name":93,"color":94,"percentage":95},"Starlark","#76d275",0,{"name":97,"color":98,"percentage":95},"C","#555555",{"name":100,"color":101,"percentage":95},"Python","#3572A5",921,224,"2026-04-05T18:18:30","Apache-2.0","Linux, macOS, Windows","可选。若需使用 NVIDIA GPU，需安装 NVIDIA 驱动、CUDA Toolkit 和 cuDNN（例如 Ubuntu 24.04 下可安装 nvidia-driver-550, nvidia-cuda-toolkit, nvidia-cudnn）。支持的平台分类器包括 linux-x86_64-gpu。未明确具体显存大小和 CUDA 版本要求。","未说明",{"notes":110,"python":111,"dependencies":112},"1. 该工具运行在任意 JVM 上，支持 Java 及其他 JVM 语言（如 Scala, Kotlin）。\n2. 最低 Java 版本要求：对于 1.1.0 及更高版本，需要 Java 11+；早期版本可能需要 Java 8+。\n3. 构建系统已从 Bazel 迁移至 Maven。\n4. 建议根据目标部署平台选择特定的 native 依赖（classifier）以减小应用体积，避免同时引入多个平台的 native 库。\n5. macOS x86_64 架构在 1.1.0 及以后版本不再支持，仅支持 Apple Silicon (arm64)。","不适用 (基于 JVM 的工具)",[113,114,115,116],"tensorflow-core-api","tensorflow-core-native","tensorflow-framework","Maven 或 Gradle 构建工具",[14],"2026-03-27T02:49:30.150509","2026-04-08T19:19:17.207700",[121,126,131,136,141,145],{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},24893,"如何在 Apple Silicon (M1\u002FM2) 机器上运行 TensorFlow-Java？","TensorFlow-Java 1.0.0-rc1 及更高版本已提供 Apple Silicon 的二进制文件，建议直接升级使用该版本。切勿尝试在 Apple Silicon 上使用 x86 构建版本并通过 Rosetta 运行，因为 Apple 未在 Rosetta 中实现对 AVX 向量指令的支持，这会导致 JVM 在尝试使用这些指令时发生 `SIGILL` 错误并崩溃。如果必须使用旧版本且遇到兼容性问题，有用户反馈将 JDK 从 aarch64 版本切换到 32 位版本（如不带 aarch64 标签的 Temurin 21）可能作为一种临时解决方案。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fissues\u002F394",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},24894,"如何优化 Tensor 分配延迟和会话管理以提升性能？","如果遇到不可控的延迟或内存分配同步问题，建议尝试以下方案：1. 考虑使用 TF Lite，如果模型兼容，其延迟可能更低（可通过 JavaCPP Presets 使用）。2. 避免频繁创建小尺寸 Tensor（如 Size(1)），尝试分配更大的多维 Tensor。3. 确保使用的是最新的快照版本（SNAPSHOT）或正式发行版，旧版本（如 0.3.1）存在已知的性能问题。4. 关于会话管理，虽然 API 仍在完善中，但通常不建议为每个 HTTP 请求创建新 Session，应复用 Session 或探索 EagerSession。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fissues\u002F313",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},24895,"在 IntelliJ IDEA 中运行时遇到依赖解析错误或自定义操作符（Custom Ops）加载失败怎么办？","这是一个已知问题，IntelliJ 有时无法正确解析 `tensorflow-core-platform` 的传递依赖。解决方法包括：1. 尝试不在 IDE 中运行，而是使用命令行 `java -jar` 执行测试。2. 应用特定的配置变通方法（参考相关 issue 评论中的配置调整）。目前自定义操作符在 Linux 和 macOS 上可以正常加载，Windows 支持尚在完善中。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fissues\u002F43",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},24896,"构建项目时无法下载 tensorflow-core-api 的 SNAPSHOT 版本或缺少特定平台（如 linux-gpu-mkl）的 jar 包怎么办？","这通常是由于构建系统重新部署工件以标准化时间戳导致的临时现象，或者是 Windows 的 MKL 和 GPU 构建被暂时移除。解决方法：1. 清理本地 Maven\u002FGradle 缓存后重试。2. 检查官方仓库确认所需架构的工件是否已重新上传。3. 注意 GitHub Actions 的构建超时限制可能导致部分工件生成延迟，如遇 404 错误可稍后重试。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fissues\u002F47",{"id":142,"question_zh":143,"answer_zh":144,"source_url":125},24897,"为什么在 Apple Silicon 上使用 x86 版本的 TensorFlow-Java 会导致 JVM 崩溃？","原因是 Apple 的 Rosetta 转译层没有实现对于 AVX 向量指令集的支持。当 TensorFlow-Java 的 x86 版本尝试调用这些指令时，会触发 `SIGILL` (非法指令) 信号，导致整个 JVM 进程立即终止。这种崩溃难以预测，因为某些代码路径可能有非向量指令的回退机制，但一旦命中向量指令路径就会崩溃。因此，必须使用原生的 arm64 构建版本。",{"id":146,"question_zh":147,"answer_zh":148,"source_url":130},24898,"是否有比标准 TensorFlow Java API 延迟更低的替代方案？","是的，如果您的模型兼容，建议尝试使用 TensorFlow Lite (TF Lite)。通过 JavaCPP Presets 提供的 TF Lite 包装器，在某些场景下可以获得比标准 TensorFlow Java API 更低的延迟。目前这些主要是 C++ API 的包装器，如果需要更高级的惯用 Java API，可以向社区反馈需求。",[150,155,160,165,170,175,180,185,190,195,200,205],{"id":151,"version":152,"summary_zh":153,"released_at":154},154376,"v1.1.0","该项目遵循 [TensorFlow API 稳定性保证](https:\u002F\u002Fwww.tensorflow.org\u002Fguide\u002Fversions)。\n\n## 重大变更\n* @Craigacp 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F608 中将 TensorFlow 升级至 2.18.0 版本。\n* @rjauhari2 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F605 中进行了代码更改，为推理添加了可插拔设备支持。\n\n## 其他变更\n* @yukoba 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F601 中向 README.md 添加了 NVIDIA CUDA 依赖项。\n* @Abacn 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F604 中更新了 MIGRATING.md 文件，以反映软件包的变更。\n* @karllessard 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F606 中将 macOS 版本升级至 13，因为 12 已被弃用。\n* @Craigacp 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F611 中修复了 SavedModelBundle 标签为空的问题。\n\n## 新贡献者\n* @yukoba 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F601 中完成了首次贡献。\n* @Abacn 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F604 中完成了首次贡献。\n* @rjauhari2 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F605 中完成了首次贡献。","2025-06-29T03:14:42",{"id":156,"version":157,"summary_zh":158,"released_at":159},154383,"v0.4.0","*[TensorFlow Java](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava) 仍处于 Alpha 阶段，不在 [TensorFlow API 稳定性保证](https:\u002F\u002Fwww.tensorflow.org\u002Fguide\u002Fversions) 的覆盖范围内]*\n\n## 主要特性\n\n* 升级至 TensorFlow 2.7.0\n* 增加对原生函数图的创建和运行的支持\n* 在首次运行图时自动初始化变量（不再需要调用 `tf.init`）\n* 在 TensorFlow C++ 运行时库中缺少自定义梯度计算的操作上，可在 Java 中注册自定义梯度计算\n* 向 TensorFlow Java 框架添加新的指标和正则化项\n\n## 其他特性\n\n* 提供运算输入和属性的访问器\n* 允许在 Session 执行器中指定输出目标\n* 使用 Java 自动生成运算包装器，而非依赖自定义的 C++ 二进制文件\n* 将 Java NdArray 移至独立的 [仓库](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava-ndarray)\n* 为 Graph 和 GraphOperation 添加图遍历功能\n* 安全性更新\n* 修复了多项 Bug 和内存泄漏，并进行了其他改进\n\n## 感谢我们的贡献者\n\nRyan Nett (@rnett)\nKarl Lessard (@karllessard)\nSamuel Audet (@saudet)\nAdam Pocock (@Craigacp)\nJim Clarke (@JimClarke5)\nTill Brychcy (@brychcy)\nMark Daoust (@MarkDaoust)\nAvi Perl (@aviperl)\nP. Oscar Boykin (@johnynek)","2021-11-28T17:15:49",{"id":161,"version":162,"summary_zh":163,"released_at":164},154384,"v0.3.3","*注：TensorFlow Java 仍处于 Alpha 版本阶段，不在 [TensorFlow API 稳定性保证](https:\u002F\u002Fwww.tensorflow.org\u002Fguide\u002Fversions) 的覆盖范围内。*\n\n## 错误修复及其他更改\n\n* 修复关闭字符串张量时出现的内存泄漏问题\n* 修复导致无法在 Python 中加载用 Java 训练并保存的模型的问题\n* 修复导致无法在 Java 中加载标签集为空的已保存模型的问题\n\n## 感谢我们的贡献者\n\nTill Brychcy (@brychcy)\nKarl Lessard (@karllessard)\nAdam Pocock (@Craigacp)","2021-08-31T17:57:58",{"id":166,"version":167,"summary_zh":168,"released_at":169},154385,"v0.3.2","*注意：TensorFlow Java 仍处于 Alpha 版本，不在 [TensorFlow API 稳定性保证](https:\u002F\u002Fwww.tensorflow.org\u002Fguide\u002Fversions) 的覆盖范围内*\n\n## 错误修复及其他更改\n\n* 修复从磁盘加载的 SavedModel Bundle 在关闭时出现的内存泄漏问题\n* 修复加载包含空标签的 SavedModel Bundle 时出现的 NPE 问题","2021-07-12T13:07:30",{"id":171,"version":172,"summary_zh":173,"released_at":174},154386,"v0.3.1","*Note: TensorFlow Java is still in alpha release and is not covered by [TensorFlow API stability guarantees](https:\u002F\u002Fwww.tensorflow.org\u002Fguide\u002Fversions)*\r\n\r\n## Bug Fixes and Other Changes\r\n\r\n* Fix memory leaks occurring with new TensorFlow 2.4.1 layout of string tensors \r\n* Fix and use JavaCPP deallocator for releasing graph sessions","2021-03-15T14:32:23",{"id":176,"version":177,"summary_zh":178,"released_at":179},154377,"v1.0.0","# TensorFlow Java 1.0.0 版本发布！\n\n从本版本开始，该项目将遵循 [TensorFlow API 稳定性保证](https:\u002F\u002Fwww.tensorflow.org\u002Fguide\u002Fversions)。\n\n尽管大多数 API 并未受到影响，但仍然存在一些破坏性更改，如果您之前使用过 TensorFlow Java，可能需要更新您的应用程序代码。有关详细信息，请参阅[这些迁移指南](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fblob\u002Fr1.0\u002FMIGRATING.md#migrating-to-100)。\n\n\n## 主要变更\n* @snadampal 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F545 中实现了对 Linux Arm64 系统的支持\n* @karllessard 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F557 中升级到 TF 2.16.2\n* 对构建和 CI\u002FCD 流程进行了重大重构，以方便后续的 TensorFlow 升级\n    * 在发布的 TensorFlow Java 工件中使用官方的 TensorFlow 原生构建\n    * 将 macOS ARM64 二进制文件作为默认平台之一发布\n    * 实现与现有 TensorFlow 插件（例如 `tensorflow-text`）的兼容性\n* 修复了训练过程中梯度下降的非确定性问题\n\n## 其他变更\n* @manojava98 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F535 中将 Session.java 中的 Graph 改为 public\n* @karllessard 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F539 中修复了 Shape proto 的问题\n* @karllessard 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F541 中允许在布尔掩码\u002F更新中接受部分已知形状\n* @Craigacp 和 @karllessard 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F542、https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F555 中进行了多项 Javadoc 修复\n* @karllessard 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F554 中添加了关于如何使用新模块名称的用户说明\n* @tiruk007 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F491 中修复了 install.md 中的 broken link\n* @Craigacp 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F503 中将 ci.yml 更新为 ubuntu-20.04\n* [linux-arm64] @snadampal 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F502 中为 linux-arm64 平台设置了 \"mkl_aarch64\" bazel 配置\n* @Craigacp 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F504 中更新了 ci.yml\n* @karllessard 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F521 中重构了原生构建和 Java 绑定生成流程\n* @nfeybesse 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F522 中提出接口应对外公开\n* @nfeybesse 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F527 中修复了 #526 问题\n* @karllessard 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F531 中升级到 TF 2.16.1\n* @Craigacp 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F528 中为 if 测试添加了类型转换，使其能够在 GPU 上通过\n* @Craigacp 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F525 中修改了 pom profile\n* @Craigacp 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F534 中修复了原生构建，使其能够找到 TSL 头文件\n* @karllessard 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F533 中使所有 TF 操作都能通过 Ops API 可见\n\n## 新贡献者\n* @manojava98 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F53 中做出了他们的首次贡献","2024-12-06T21:14:02",{"id":181,"version":182,"summary_zh":183,"released_at":184},154378,"v1.0.0-rc.2","这是 TensorFlow Java 1.0.0 的第二个候选版本，新增对 Linux Arm64 系统的支持，改进了代码内文档（JavaDoc），并修复了一些其他小问题。\n\n根据 [TensorFlow API 稳定性保证](https:\u002F\u002Fwww.tensorflow.org\u002Fguide\u002Fversions)，语义化版本控制将从 1.0.0 版本开始实施。\n\n# 主要变更\n* @snadampal 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F545 中添加了对 Linux Arm64 系统的支持。\n* @karllessard 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F557 中升级到 TF 2.16.2。\n\n## 其他变更\n* @manojava98 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F535 中将 Session.java 中的 Graph 类型改为 public。\n* @karllessard 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F539 中修复了 Shape Protocol Buffer 相关问题。\n* @karllessard 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F541 中允许在布尔掩码和更新操作中使用部分已知形状。\n* @Craigacp 和 @karllessard 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F542 和 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F555 中修复了多处 JavaDoc。\n* @karllessard 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F554 中添加了关于如何使用新模块名称的用户说明。\n\n## 新贡献者\n* @manojava98 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F535 中完成了首次贡献。\n* @snadampal 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F545 中完成了首次贡献。\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fcompare\u002Fv1.0.0-rc.1...v1.0.0-rc.2","2024-09-25T00:02:13",{"id":186,"version":187,"summary_zh":188,"released_at":189},154379,"v1.0.0-rc.1","这是 TensorFlow Java 1.0.0 的首个候选版本，包含对源代码结构和 CI\u002FCD 流程的重大重构（详见 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F521）。尽管大多数 API 并未受到影响，但仍存在一些破坏性变更，如果您此前使用过 TensorFlow Java，可能需要更新应用程序代码。有关详细信息，请参阅[这些迁移指南](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fblob\u002Fr1.0\u002FMIGRATING.md#migrating-to-100)。\n\n根据[TensorFlow API 稳定性保证](https:\u002F\u002Fwww.tensorflow.org\u002Fguide\u002Fversions)，语义化版本控制将从 1.0.0 版本开始实施。\n\n## 主要变更\n\n* 升级至 TensorFlow 2.16.1\n* 大幅重构构建和 CI\u002FCD 流程，以方便后续的 TensorFlow 升级\n    * 在发布的 TensorFlow Java 工件中使用官方的 TensorFlow 原生构建\n    * 将 macOS ARM64 二进制文件作为默认平台之一发布\n    * 实现与现有 TensorFlow 插件（例如 `tensorflow-text`）的兼容性\n* 修复训练过程中梯度下降的非确定性问题\n\n## 所有变更\n* @tiruk007 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F491 中修复了 install.md 中的失效链接\n* @Craigacp 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F503 中将 ci.yml 更新为使用 ubuntu-20.04\n* @snadampal 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F502 中为 linux-arm64 平台设置了 \"mkl_aarch64\" Bazel 配置\n* @Craigacp 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F504 中再次更新了 ci.yml\n* @karllessard 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F521 中重构了原生构建和 Java 绑定生成流程\n* @nfeybesse 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F522 中将接口设置为公共，以便外部使用\n* @nfeybesse 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F527 中修复了 #526 问题\n* @karllessard 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F531 中升级到 TF 2.16.1\n* @Craigacp 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F528 中为 if 测试添加了类型转换，使其能在 GPU 上顺利运行\n* @Craigacp 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F525 中修改了 pom 配置文件\n* @Craigacp 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F534 中修复了原生构建，使其能够找到 TSL 头文件\n* @karllessard 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F533 中使所有 TF 操作可通过 Ops API 访问\n\n## 新贡献者\n* @tiruk007 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F491 中做出了首次贡献\n* @snadampal 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F502 中做出了首次贡献\n* @nfeybesse 在 https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F522 中做出了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fcompare\u002Fv0.5.0...v1.0.0-rc.1","2024-04-12T19:41:53",{"id":191,"version":192,"summary_zh":193,"released_at":194},154380,"v0.5.0","*[TensorFlow Java](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava) 仍处于 Alpha 阶段，不在 [TensorFlow API 稳定性保证](https:\u002F\u002Fwww.tensorflow.org\u002Fguide\u002Fversions) 的覆盖范围内]*\n\n## 功能特性\n\n* 升级至 TensorFlow 2.10.1\n* 将稀疏张量映射为单个张量实体\n* 添加实用工具类，用于一次性释放推理过程中返回的所有张量\n* 支持 Uint16 张量类型\n* 支持 TF Python 配置，以便从使用 Java 之外的 TF Engine 保存的模型中反序列化\n\n## 错误修复及其他变更\n\n* 将最低 JDK 版本提升至 Java 11\n* 启用针对 Apple Silicon 芯片的自定义构建\n* 修复变量接收零梯度时导致的失败问题\n* 简化图初始化流程，以提升性能\n* 升级至 NdArray 0.4.0\n* 多项改进及文档调整\n\n## 感谢我们的贡献者\n\nAdam Pocock (@craigacp)\nKarl Lessard (@karllessard)\nRamón García Fernández (@ramon-garcia)\nJoe Yearsley (@joeyearsley)\nSamuel Audet (@saudet)\nJim Clarke (@JimClarke5)\n","2023-02-21T03:00:11",{"id":196,"version":197,"summary_zh":198,"released_at":199},154381,"v0.4.2","*[TensorFlow Java](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava) 仍处于 Alpha 版本阶段，不在 [TensorFlow API 稳定性保证](https:\u002F\u002Fwww.tensorflow.org\u002Fguide\u002Fversions) 的覆盖范围内。*\n\n## 错误修复及其他更改\n\n* 升级至 TensorFlow 2.7.4，并包含 CVE 修复\n* 添加用于加载 TF IO 原生库的钩子（https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F468）\n\n## 感谢我们的贡献者\n\nAdam Pocock (@Craigacp)","2022-09-23T15:55:35",{"id":201,"version":202,"summary_zh":203,"released_at":204},154382,"v0.4.1","*[TensorFlow Java](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava) 仍处于 Alpha 版本阶段，不在 [TensorFlow API 稳定性保证](https:\u002F\u002Fwww.tensorflow.org\u002Fguide\u002Fversions) 的覆盖范围内]*\n\n## 错误修复及其他变更\n\n* 升级至 TensorFlow 2.7.1，并包含 CVE 修复（https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F412）\n* 将 Protocol Buffers 版本升级至 3.19.4，将 error-prone 版本升级至 2.10.0（https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F412）\n* 修复 NullPointerException 问题。（https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Fpull\u002F407）\n\n\n## 感谢我们的贡献者\n\nAdam Pocock (@Craigacp)\nFrank Liu (@frankfliu)\nKarl Lessard (@karllessard)","2022-03-29T13:41:36",{"id":206,"version":207,"summary_zh":208,"released_at":209},154387,"v0.2.0","*This is a first alpha release of the new [TensorFlow Java](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava) ecosystem. \r\nNote that TensorFlow Java is not covered by the [TensorFlow API stability guarantees](https:\u002F\u002Fwww.tensorflow.org\u002Fguide\u002Fversions)*\r\n\r\n## Major Features\r\n\r\n* Build, train and run inference over a neural network graph using an enhanced Java API based on TensorFlow 2.3.1\r\n* Execute eagerly TensorFlow operations for easy debugging\r\n* Save and load graphs to\u002Ffrom disk using the [saved model](https:\u002F\u002Fwww.tensorflow.org\u002Fguide\u002Fsaved_model) format\r\n* Access directly tensor memory in a n-dimensional space using the new [`NdArray`](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Ftree\u002Fmaster\u002Fndarray) Java library\r\n* Leverage native libraries support and installation using [JavaCPP](https:\u002F\u002Fgithub.com\u002Fbytedeco\u002Fjavacpp)\r\n* Train graphs using a new high-level Java [framework](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fjava\u002Ftree\u002Fmaster\u002Ftensorflow-framework) for machine-learning\r\n\r\n## Thanks to our contributors\r\n\r\nKarl Lessard (@karllessard)\r\nSamuel Audet (@saudet)\r\nAdam Pocock (@Craigacp)\r\nJim Clarke (@JimClarke5)\r\nDhruv Rajan (@dhruvrajan)\r\nShajan Dasan (@Shajan)\r\nAlexey Zinoviev (@zaleslaw)\r\nChristian Tzolov (@tzolov)\r\nHan Dong (@handong0123)\r\nMark Daoust (@MarkDaoust)\r\nJames Ring (@sjamesr)\r\nLai Wei (@roywei)\r\nMatteo Di Giovinazzo (@matteodg)\r\nHaitang (@hthu)\r\nGunhan Gulsoy (@gunan)\r\nFred Reiss (@frreiss)\r\nDean Thompson (@deansher)\r\nChristoph Henkelmann (@chenkelmann)\r\nEron Wright (@EronWright)  ","2020-10-07T15:54:02"]