TensorFlow.NET机器学习入门【1】开发环境与类型简介

转载 发布者:seabluescn 发表于:2021-12-22

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

 

相关标签:NETTensorFlow
声明:本文来自用户分享或转自网络,版权属于原作者,内容中的观点不代表编程技术网的观点。文章内容如有侵权,请联系管理员(QQ:3106529134)删除,本站将在一月内处理。
来源:https://www.cnblogs.com/seabluescn/p/15539089.html