TensorFlow.NET機器學習入門【1】開發環境與型別簡介

seabluescn發表於2021-12-22
機器學習開發環境型別

專案開發環境為Visual Studio 2019 + .Net 5

建立新專案後首先通過Nuget引入相關包：

 

 SciSharp.TensorFlow.Redist是Google提供的TensorFlow開發庫，是採用C語言開發的動態連結庫（DLL）；

TensorFlow.NET採用C#語言對C語言的庫進行封裝，提供.NET呼叫介面；

TensorFlow.Keras是一個高階工具類，對建模和訓練過程進行封裝，提供簡便介面。

 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的基本型別操作：

       /// <summary>
        /// 構建張量
        /// </summary>
        private void Base_Constant()
        {
            //通過基本型別構建張量
            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，可以採+ - * / 等運算子
            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()}");
        }

上述程式碼基本都比較簡單，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，一般都是平均分佈，但機器學習的資料更多趨向正態分佈，所以採用normal生成隨機數，mean表示中心點，stddev表示分佈範圍；

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，這個問題我們後面再講；

3、tf有兩個版本，V1版和V2版本，如果要使用V1版本語法，需要在程式碼之前加一句：tf.compat.v1.disable_eager_execution();

     相對的，V2版本為：tf.enable_eager_execution();由於預設為V2版本，所以這行程式碼可以省略不寫。

    本系列的所有程式碼均採用V2版本。官方提供的樣例裡有大量V1版本程式碼，有一些V2版沒有提供的功能，可能不得不採用V1版程式碼實現。

 

【參考資料】

TensorFlow教程：TensorFlow快速入門教程

 

【專案原始碼】

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

專案名稱：SayHello

目錄：TensorFlow.NET機器學習入門系列目錄

 

相關文章