TensorFlow.NET機器學習入門【1】開發環境與類型簡介
TensorFlow.NET機器學習入門【0】前言與目錄
曾經學習過一段時間ML.NET的知識，ML.NET是微軟提供的一套機器學習框架，相對於其他的一些機器學習框架，ML.NET側重於消費現有的網絡模型，不太好自定義自己的網絡模型，底層實現也做了高度封裝。
最近想從底層學習一下機器學習的相關知識，經過初步篩選，計划定位於python + pytorch這個方向入手，經過一段時間的學習，我發現由於對python語言不太熟悉，導致實踐起來比較困難，先不說機器學習相關的代碼，光周邊代碼就搞得焦頭爛額了。想要下決心好好修煉一下python必然不是一朝一夕的事情，所以考慮是否學一個采用C#的機器學習框架，這樣就可以專心研究目標代碼，配套服務就可以輕松搞定了。
經搜索發現了SciSharp-Stack這個項目，一開始我定位於Torch.Net，最終選擇了TensorFlow.NET這個框架。選擇TensorFlow.NET主要是因為如下幾個原因：
- 示例比較豐富，第一次下載、編譯、運行都很順利。（如果開源項目提供的HelloWorld項目跑不起來的話，就沒有信心使用了）
- 代碼一直在更新，社區比較活躍，Issue上問問題會有人回答；
- 架構比較合理，通過.NET對google提供的原生動態鏈接庫進行封裝，和我們使用MySQL.Data的架構類似，C#開發人員很熟悉這種架構；
- 代碼風格接近python+tensorflow的實現方式，便於參考網絡上大量python的例程。
這個系列的文章就是我這段時間學習TensorFlow.Net的心得體會，整個系列的文章目錄如下：
- TensorFlow.NET機器學習入門【1】開發環境與類型簡介
- TensorFlow.NET機器學習入門【2】線性回歸
- TensorFlow.NET機器學習入門【3】采用神經網絡實現非線性回歸
- TensorFlow.NET機器學習入門【4】采用神經網絡處理分類問題
- TensorFlow.NET機器學習入門【5】采用神經網絡實現手寫數字識別（MNIST）
- TensorFlow.NET機器學習入門【6】采用神經網絡處理Fashion-MNIST
- TensorFlow.NET機器學習入門【7】采用卷積神經網絡（CNN）處理Fashion-MNIST
- TensorFlow.NET機器學習入門【8】采用GPU進行學習
- TensorFlow.NET機器學習入門【9】后記
由於作者本人對於機器學習的認識還處於入門階段，寫作過程中難免存在紕漏，如果您發現有什么錯誤的地方，請及時指出來。
【參考資料】
《深度學習入門：基於Python的理論與實踐（齋藤康毅）》
項目開發環境為Visual Studio 2019 + .Net 5
創建新項目后首先通過Nuget引入相關包：
SciSharp.TensorFlow.Redist是Google提供的TensorFlow開發庫，是采用C語言開發的動態鏈接庫（DLL）；
TensorFlow.NET采用C#語言對C語言的庫進行封裝，提供.NET調用接口；
TensorFlow.Keras是一個高級工具類，對建模和訓練過程進行封裝，提供簡便接口。
通過下列語句對庫進行引用：
using Tensorflow;
using Tensorflow.NumPy;
using static Tensorflow.Binding;
using static Tensorflow.KerasApi;
下面展示一些TensorFlow.NET的基本類型操作：
/// <summary>
/// 構建張量
/// </summary>
private void Base_Constant()
{
//通過基本類型構建張量
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);
//通過多維數值構建張量
int[,] arr = new int[,] { { 1, 2, 3 }, { 4, 5, 6 } };
var nd = np.array(arr);
var tensor = tf.constant(nd);
Console.WriteLine(tensor);
//構建全0或全1張量
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>
/// 張量運算
/// </summary>
private void Base_Operator()
{
var a = tf.constant(2.0f);
var b = tf.constant(3.0f);
var c = tf.constant(5.0f);
// 基本運算，可以采+ - * / 等運算符
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());
// 矩陣相乘
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>
/// 生成隨機數張量
/// </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()}");
}
上述代碼基本都比較簡單，基本一看就能懂，有幾處需要解釋一下：
1、平常我們在生成隨機數時，一般都是平均分布，但機器學習的數據更多趨向正態分布，所以采用normal生成隨機數，mean表示中心點，stddev表示分布范圍；
2、從表面看tf的框架似乎提供了一套可以進行矩陣運算的Math庫，但實際並非如此，tf框架的核心是可以計算運算的梯度，這個問題我們后面再講；
3、tf有兩個版本，V1版和V2版本，如果要使用V1版本語法，需要在代碼之前加一句：tf.compat.v1.disable_eager_execution();
相對的，V2版本為：tf.enable_eager_execution();由於默認為V2版本，所以這行代碼可以省略不寫。
本系列的所有代碼均采用V2版本。官方提供的樣例里有大量V1版本代碼，有一些V2版沒有提供的功能，可能不得不采用V1版代碼實現。
【參考資料】
【項目源碼】
Git: https://gitee.com/seabluescn/tf_not.git
項目名稱：SayHello
簽名區：
如果您覺得這篇博客對您有幫助或啟發，請點擊右側【推薦】支持，謝謝！