[转]在C＃中像Python一样编写TensorFlow机器学习代码

机器学习是一个令人激动人心的领域，一直有新的技术突破。研究人员不断推动机器智能的提升，教机器如何听说读写——这些曾经是我们人类专属的技能。机器学习的首选语言是Python，最受欢迎的库是Google的TensorFlow。几乎所有的代码示例都是用Python编写的，并且依赖于TensorFlow和NumPy库。对于C＃和.NET的开发人员来说，我们在面临着一个严峻的选择：要么学习Python，要么使用NET机器学习库，并从头开始精心编写我们自己的C＃代码 。

事实上，这就是我在机器学习课程中常用的策略。我研究了许多使用Keras和TensorFlow的Python代码，然后我从头开始编写自己的C＃代码，使用原生的CNTK和ML.NET库代替。这种方法很有效，但它也有一些缺点：

我的学生习惯于.NET，这些编码技巧不容易转移到Python。
CNTK和ML.NET不支持某些TensorFlow功能，因此我必须使用Python代码向C＃开发人员演示它们。

我一直在努力在.NET中编写机器学习库，模仿Python的API和编码风格，如NativeKeras和KerasSharp，但这些项目不再处于积极开发的阶段。我一直在寻找一个全面的.NET库，它完全模仿了如何用Python编写机器学习代码，终于我发现了她——SciSharp。SciSharp正在为数据科学，机器学习和人工智能构建一个.NET开源生态系统，其理念是C＃机器学习代码应该像对应的Python代码一样尽可能地语法，与编程的感觉。

看看下面的例子 - 这是TensorFlow中的简单线性回归演示。 Python代码在左侧，相应的C＃代码在右侧：
在这里插入图片描述
右边的代码看起来像Python，但它是实际的C＃代码。它使用一个名为TesorFlow.NET的包装器在幕后调用真正的TensorFlow库。请注意，我们已经有了TensorFlow包装器; 几年前，Xamarin创始人米格尔大神建造了优秀的TensorFlowSharp。但是，他的库只暴露了低级别的TensorFlow API。相比之下，SciSharp库神奇地暴露了所有TensorFlow，包括高级图形构建功能。

TensorFlow在很大程度上依赖于NumPy，这是一个高性能的Python数学库，可以在内存中处理非常大的数据数组。因此，SciSharp团队开发了自己的版本NumSharp，这是NumPy到C＃的端口。
在这里插入图片描述
NumSharp遵循与原始NumPy完全相同的编码风格。使用左侧的Python代码和右侧的相应C＃代码查看此示例：同样，右边的代码遵循与Python相同的语法约定和API样式，但它实际上是C＃代码。

SciSharp团队在这里取得了一项重大成就。 使用TensorFlow.NET和NumSharp，我们实际上可以使用Python代码示例，将它们复制并粘贴到C＃文件中，然后只需稍作修改即可运行它们——这为.NET开发人员打开了完整的机器学习生态系统。

我决定采用SciSharp。查看以下说明，以便在C＃中启动并运行您自己的TensorFlow代码。我将构建一个简单的线性回归演示，它适合一些样本数据的回归线。

让我们开始吧。以下是在.NET Core中设置新控制台项目的方法：

$ dotnet new console -o LinearRegression
$ cd LinearRegression

接下来，我需要安装我需要的软件包：

$ dotnet add package TensorFlow.NET

就这样简单！这将安装TensorFlow.NET包，它也将自动拉入NumSharp。该软件包还安装了Microsoft.ML.TensorFlow.Redist，它是本机TensorFlow库的跨平台安装程序。这将在Windows，Linux和OS / X上为您设置一切。

现在我准备开始编码了。这是Program.cs的上半部分应该是这样的：

using System;
using NumSharp;
using Tensorflow;
using static Tensorflow.Python;namespace LinearRegression
{/// <summary>/// The main program class/// </summary>public class Program{/// <summary>/// The main program entry point/// </summary>/// <param name="args">The command line arguments</param>public static void Main(string[] args){// load the datavar dataX = np.array(3.3f, 4.4f, 5.5f, 6.71f, 6.93f, 4.168f, 9.779f, 6.182f, 7.59f, 2.167f,7.042f, 10.791f, 5.313f, 7.997f, 5.654f, 9.27f, 3.1f);var dataY = np.array(1.7f, 2.76f, 2.09f, 3.19f, 1.694f, 1.573f, 3.366f, 2.596f, 2.53f, 1.221f,2.827f, 3.465f, 1.65f, 2.904f, 2.42f, 2.94f, 1.3f);var samples = dataX.shape[0];// the rest of the code goes here...}}
}

这是一个简单的.NET Core控制台应用程序。请注意使用训练数据设置NumPy数组的np.array方法。 shape [0]调用检索数组的长度，就像在Python中一样。现在我将在TensorFlow中设置一个简单的线性回归模型：

此代码调用tf.placeholder来设置模型输入和输出：X表示输入数据，Y表示输出数据。
以下两个调用tf.Variable设置权重和偏差模型变量。这些变量组合成一个模型如下：
在这里插入图片描述

读者会发现这只是线性回归的等式。 TensorFlow将在训练期间调整W和b变量以找到完美的回归线。
最后，代码在损失变量中设置了一个损失函数。损失函数是一种表达式，其值在训练期间需要最小化。我将使用均方误差或MSE：
在这里插入图片描述
这只是模型预测与实际值之差的平方和。接下来，我将训练这个模型1000次：

// use these training parameters
var epochs = 1000;
var learningRate = 0.01f;
var displayEvery = 50;// use a gradient descent optimizer
var optimizer = tf.train.GradientDescentOptimizer(learningRate).minimize(loss);// train the model
var init = tf.global_variables_initializer();
with(tf.Session(), sess => 
{sess.run(init);// run training epochsConsole.WriteLine("Training model...");for (int epoch = 0; epoch < epochs; epoch++){foreach (var (x, y) in zip<float>(dataX, dataY)){sess.run(optimizer, new FeedItem(X, x),new FeedItem(Y, y));}// display intermittent resultsif ((epoch + 1) % displayEvery == 0){var lossValue = sess.run(loss, new FeedItem(X, dataX), new FeedItem(Y, dataY));Console.WriteLine($"  epoch: {epoch + 1}\tMSE = {lossValue}\tW = {sess.run(W)}\tb = {sess.run(b)}");}}// show final training lossvar trainingLoss = sess.run(loss,new FeedItem(X, dataX),new FeedItem(Y, dataY));Console.WriteLine($"  Final MSE = {trainingLoss}");// the rest of the code goes here...
});

代码设置GradientDescentOptimizer以最小化损失函数，并使用tf.Session（）启动TensorFlow会话。TensorFlow中的所有内容都需要调用tf.run（）来执行。所以我首先设置了一个global_variables_initializer来初始化模型，然后运行它。然后我运行优化器1000个时期来训练模型，每50个时期我运行损失函数并显示中间训练损失。循环完成后，我再次运行损失功能并显示最终的训练损失。

我现在有一个训练有素的好模型，是时候在一些新数据上测试这个模型：

// load validation data
var testDataX = np.array(6.83f, 4.668f, 8.9f, 7.91f, 5.7f, 8.7f, 3.1f, 2.1f);
var testDataY = np.array(1.84f, 2.273f, 3.2f, 2.831f, 2.92f, 3.24f, 1.35f, 1.03f);
var validationSamples = testDataX.shape[0];// validate the model
Console.WriteLine("Validating model...");
var validationLoss = tf.reduce_sum(tf.pow(model - Y, 2.0f)) / validationSamples;
var lossValue2 = sess.run(validationLoss, new FeedItem(X, testDataX), new FeedItem(Y, testDataY));
Console.WriteLine($"  Validation loss = {lossValue2}");

代码调用np.array来设置新的验证数据，并设置一个新的validationLoss函数来在验证期间计算MSE。然后它在验证数据上运行此损失函数，并在控制台上显示验证丢失。就是这样。这是TensorFlow中的完整线性回归演示。
此代码将在所有主要操作系统上运行 - Windows，Linux和OS / X.您可以在控制台上运行代码，如下所示：