TensorFlow.NET机器学习入门【1】开发环境与类型简介

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】

TensorFlow教程：TensorFlow快速入门教程

【项目源码】

 Git: https://gitee.com/seabluescn/tf_not.git

项目名称：SayHello

目录：TensorFlow.NET机器学习入门系列目录