TensorFlow.NET机器学习入门【1】开发环境与类型简介
TensorFlow.NET机器学习入门【0】前言与目录
曾经学习过一段时间ML.NET的知识，ML.NET是微软提供的一套机器学习框架，相对于其他的一些机器学习框架，ML.NET侧重于消费现有的网络模型，不太好自定义自己的网络模型，底层实现也做了高度封装。
最近想从底层学习一下机器学习的相关知识，经过初步筛选，计划定位于python + pytorch这个方向入手，经过一段时间的学习，我发现由于对python语言不太熟悉，导致实践起来比较困难，先不说机器学习相关的代码，光周边代码就搞得焦头烂额了。想要下决心好好修炼一下python必然不是一朝一夕的事情，所以考虑是否学一个采用C#的机器学习框架，这样就可以专心研究目标代码，配套服务就可以轻松搞定了。
经搜索发现了SciSharp-Stack这个项目，一开始我定位于Torch.Net，最终选择了TensorFlow.NET这个框架。选择TensorFlow.NET主要是因为如下几个原因：
- 示例比较丰富，第一次下载、编译、运行都很顺利。（如果开源项目提供的HelloWorld项目跑不起来的话，就没有信心使用了）
- 代码一直在更新，社区比较活跃，Issue上问问题会有人回答；
- 架构比较合理，通过.NET对google提供的原生动态链接库进行封装，和我们使用MySQL.Data的架构类似，C#开发人员很熟悉这种架构；
- 代码风格接近python+tensorflow的实现方式，便于参考网络上大量python的例程。
这个系列的文章就是我这段时间学习TensorFlow.Net的心得体会，整个系列的文章目录如下：
- TensorFlow.NET机器学习入门【1】开发环境与类型简介
- TensorFlow.NET机器学习入门【2】线性回归
- TensorFlow.NET机器学习入门【3】采用神经网络实现非线性回归
- TensorFlow.NET机器学习入门【4】采用神经网络处理分类问题
- TensorFlow.NET机器学习入门【5】采用神经网络实现手写数字识别（MNIST）
- TensorFlow.NET机器学习入门【6】采用神经网络处理Fashion-MNIST
- TensorFlow.NET机器学习入门【7】采用卷积神经网络（CNN）处理Fashion-MNIST
- TensorFlow.NET机器学习入门【8】采用GPU进行学习
- TensorFlow.NET机器学习入门【9】后记
由于作者本人对于机器学习的认识还处于入门阶段，写作过程中难免存在纰漏，如果您发现有什么错误的地方，请及时指出来。
【参考资料】
《深度学习入门：基于Python的理论与实践（斋藤康毅）》
项目开发环境为Visual Studio 2019 + .Net 5
创建新项目后首先通过Nuget引入相关包：
SciSharp.TensorFlow.Redist是Google提供的TensorFlow开发库，是采用C语言开发的动态链接库（DLL）；
TensorFlow.NET采用C#语言对C语言的库进行封装，提供.NET调用接口；
TensorFlow.Keras是一个高级工具类，对建模和训练过程进行封装，提供简便接口。
通过下列语句对库进行引用：
using Tensorflow;
using Tensorflow.NumPy;
using static Tensorflow.Binding;
using static Tensorflow.KerasApi;
下面展示一些TensorFlow.NET的基本类型操作：
/// <summary>
/// 构建张量
/// </summary>
private void Base_Constant()
{
//通过基本类型构建张量
var c1 = tf.constant(3); // int
var c2 = tf.constant(1.0f); // float
var c3 = tf.constant(2.0); // double
var c4 = tf.constant("Hello Tensorflow.Net!"); // string
Console.WriteLine(c1);
Console.WriteLine(c2);
Console.WriteLine(c3);
Console.WriteLine(c4);
//通过多维数值构建张量
int[,] arr = new int[,] { { 1, 2, 3 }, { 4, 5, 6 } };
var nd = np.array(arr);
var tensor = tf.constant(nd);
Console.WriteLine(tensor);
//构建全0或全1张量
var tensor0 = tf.constant(np.zeros(new Shape(2, 3)));
var tensor1 = tf.constant(np.ones(new Shape(2, 3)));
Console.WriteLine(tensor0);
Console.WriteLine(tensor1);
var tensor_0 = tf.zeros(new Shape(2, 3));
var tensor_1 = tf.ones(new Shape(2, 3));
Console.WriteLine(tensor_0);
Console.WriteLine(tensor_1);
}
/// <summary>
/// 张量运算
/// </summary>
private void Base_Operator()
{
var a = tf.constant(2.0f);
var b = tf.constant(3.0f);
var c = tf.constant(5.0f);
// 基本运算，可以采+ - * / 等运算符
var add = tf.add(a, b);
var sub = tf.subtract(a, b);
var mul = tf.multiply(a, b);
var div = tf.divide(a, b);
print($"{(float)a} + {(float)b} = {(float)add}");
print($"{(float)a} - {(float)b} = {(float)sub}");
print($"{(float)a} * {(float)b} = {(float)mul}");
print($"{(float)a} / {(float)b} = {(float)div}");
// 求平均、求和
var mean = tf.reduce_mean(tf.constant(new[] { a, b, c }));
var sum = tf.reduce_sum(tf.constant(new[] { a, b, c }));
print("mean =", mean.numpy());
print("sum =", sum.numpy());
// 矩阵相乘
var matrix1 = tf.constant(new float[,] { { 1, 2, 3 }, { 3, 4, 5 } });
var matrix2 = tf.constant(new float[,] { { 3, 4 }, { 5, 6 }, { 7, 8 } });
var product1 = tf.matmul(matrix1, matrix2);
print("product1 =", product1.numpy());
}
/// <summary>
/// 生成随机数张量
/// </summary>
private void Base_Random()
{
var t1 = tf.random.normal(new Shape(10));
var t2 = tf.random.uniform(new Shape(2, 5));
var t3 = tf.random.uniform(new Shape(2, 5), 1, 100);
Console.WriteLine($"t1={t1.numpy()}");
Console.WriteLine($"t2={t2.numpy()}");
Console.WriteLine($"t3={t3.numpy()}");
t1 = tf.random.normal(new Shape(100), mean: 0.5f, stddev: 2);
var mean = tf.reduce_mean(t1);
var max = tf.reduce_max(t1);
var min = tf.reduce_min(t1);
Console.WriteLine($"mean={mean.numpy()},max={max.numpy()},min={min.numpy()}");
}
上述代码基本都比较简单，基本一看就能懂，有几处需要解释一下：
1、平常我们在生成随机数时，一般都是平均分布，但机器学习的数据更多趋向正态分布，所以采用normal生成随机数，mean表示中心点，stddev表示分布范围；
2、从表面看tf的框架似乎提供了一套可以进行矩阵运算的Math库，但实际并非如此，tf框架的核心是可以计算运算的梯度，这个问题我们后面再讲；
3、tf有两个版本，V1版和V2版本，如果要使用V1版本语法，需要在代码之前加一句：tf.compat.v1.disable_eager_execution();
相对的，V2版本为：tf.enable_eager_execution();由于默认为V2版本，所以这行代码可以省略不写。
本系列的所有代码均采用V2版本。官方提供的样例里有大量V1版本代码，有一些V2版没有提供的功能，可能不得不采用V1版代码实现。
【参考资料】
【项目源码】
Git: https://gitee.com/seabluescn/tf_not.git
项目名称：SayHello
签名区：
如果您觉得这篇博客对您有帮助或启发，请点击右侧【推荐】支持，谢谢！