TensorFlow.NET: 为.NET开发者打造的深度学习利器

TensorFlow.NET简介

TensorFlow.NET(TF.NET)是为.NET Standard提供的TensorFlow绑定库,旨在为.NET开发者提供完整的TensorFlow API实现。它允许.NET开发者使用跨平台的.NET Standard框架来开发、训练和部署机器学习模型。TensorFlow.NET内置了Keras高级接口,并作为独立的TensorFlow.Keras包发布。

TensorFlow.NET是SciSharp STACK项目的重要组成部分,其使命是将流行的数据科学技术引入.NET世界,为.NET开发者提供强大的机器学习工具集,而无需重新发明轮子。由于API尽可能保持相似,用户可以立即将任何现有的TensorFlow Python代码适配到C#或F#,几乎不需要学习成本。

为什么选择TensorFlow.NET?

与其他项目相比,TensorFlow.NET具有以下优势:

1. 完整的API支持:TensorFlow.NET不仅提供TensorFlow的低级C++ API,还可以使用纯C#和F#构建训练和推理的完整流程。

2. Keras支持:TensorFlow.NET提供了Tensorflow.Keras的绑定,使从Python到.NET的代码迁移变得更加容易。

3. ML.NET集成:ML.NET将TensorFlow.NET作为后端之一来训练和推理模型,提供更好的.NET集成。

4. 高效性能:TensorFlow.NET直接从C#到C代码,绕过Python,提高了效率。

5. 跨平台支持:.NET Standard确保了跨平台兼容性。

安装和使用

要开始使用TensorFlow.NET,您需要安装两个部分:主体和计算支持部分。

主体安装

使用NuGet包管理器控制台安装TensorFlow.NET和TensorFlow.Keras:

PM> Install-Package TensorFlow.NET
PM> Install-Package TensorFlow.Keras

计算支持部分

根据您的设备和系统,选择以下包之一:

# CPU版本(Windows和Linux)
PM> Install-Package SciSharp.TensorFlow.Redist

# CPU版本(MacOS)
PM> Install-Package SciSharp.TensorFlow.Redist-OSX

# GPU版本(Windows,需要CUDA和cuDNN)
PM> Install-Package SciSharp.TensorFlow.Redist-Windows-GPU

# GPU版本(Linux,需要CUDA和cuDNN)
PM> Install-Package SciSharp.TensorFlow.Redist-Linux-GPU

代码示例

以下是两个简单的示例,展示了TensorFlow.NET的基本用法。这些示例展示了如何像编写Python代码一样轻松地编写C#代码。

示例1: 使用Eager模式的线性回归

using static Tensorflow.Binding;
using static Tensorflow.KerasApi;
using Tensorflow;
using Tensorflow.NumPy;

// 参数设置
var training_steps = 1000;
var learning_rate = 0.01f;
var display_step = 100;

// 样本数据
var X = 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 Y = 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 n_samples = X.shape[0];

// 设置初始值
var W = tf.Variable(-0.06f, name: "weight");
var b = tf.Variable(-0.73f, name: "bias");
var optimizer = keras.optimizers.SGD(learning_rate);

// 运行训练步骤
foreach (var step in range(1, training_steps + 1))
{
    // 使用GradientTape进行自动微分
    using var g = tf.GradientTape();
    // 线性回归(Wx + b)
    var pred = W * X + b;
    // 均方误差
    var loss = tf.reduce_sum(tf.pow(pred - Y, 2)) / (2 * n_samples);
    // 计算梯度
    var gradients = g.gradient(loss, (W, b));

    // 更新W和b
    optimizer.apply_gradients(zip(gradients, (W, b)));

    if (step % display_step == 0)
    {
        pred = W * X + b;
        loss = tf.reduce_sum(tf.pow(pred - Y, 2)) / (2 * n_samples);
        print($"step: {step}, loss: {loss.numpy()}, W: {W.numpy()}, b: {b.numpy()}");
    }
}

示例2: 使用Keras函数式API的简化版ResNet

using static Tensorflow.Binding;
using static Tensorflow.KerasApi;
using Tensorflow;
using Tensorflow.NumPy;

var layers = keras.layers;
// 输入层
var inputs = keras.Input(shape: (32, 32, 3), name: "img");
// 卷积层
var x = layers.Conv2D(32, 3, activation: "relu").Apply(inputs);
x = layers.Conv2D(64, 3, activation: "relu").Apply(x);
var block_1_output = layers.MaxPooling2D(3).Apply(x);
x = layers.Conv2D(64, 3, activation: "relu", padding: "same").Apply(block_1_output);
x = layers.Conv2D(64, 3, activation: "relu", padding: "same").Apply(x);
var block_2_output = layers.Add().Apply(new Tensors(x, block_1_output));
x = layers.Conv2D(64, 3, activation: "relu", padding: "same").Apply(block_2_output);
x = layers.Conv2D(64, 3, activation: "relu", padding: "same").Apply(x);
var block_3_output = layers.Add().Apply(new Tensors(x, block_2_output));
x = layers.Conv2D(64, 3, activation: "relu").Apply(block_3_output);
x = layers.GlobalAveragePooling2D().Apply(x);
x = layers.Dense(256, activation: "relu").Apply(x);
x = layers.Dropout(0.5f).Apply(x);
// 输出层
var outputs = layers.Dense(10).Apply(x);
// 构建Keras模型
var model = keras.Model(inputs, outputs, name: "toy_resnet");
model.summary();
// 在TensorFlow静态图中编译Keras模型
model.compile(optimizer: keras.optimizers.RMSprop(1e-3f),
    loss: keras.losses.SparseCategoricalCrossentropy(from_logits: true),
    metrics: new[] { "acc" });
// 准备数据集
var ((x_train, y_train), (x_test, y_test)) = keras.datasets.cifar10.load_data();
// 归一化输入
x_train = x_train / 255.0f;
// 训练
model.fit(x_train[new Slice(0, 2000)], y_train[new Slice(0, 2000)],
            batch_size: 64,
            epochs: 10,
            validation_split: 0.2f);
// 保存模型
model.save("./toy_resnet_model");

版本关系

TensorFlow.NET与TensorFlow原生库和CUDA版本有着密切的对应关系。以下是一些主要版本的对应关系:

• TF.NET 0.10x -> TensorFlow 2.10
• TF.NET 0.7x -> TensorFlow 2.7
• TF.NET 0.4x -> TensorFlow 2.4
• TF.NET 0.3x -> TensorFlow 2.3

贡献指南

TensorFlow.NET是一个开源项目,欢迎社区成员参与贡献。以下是一些贡献的方式:

1. 为项目加星或分享给他人
2. 报告缺失的API
3. 将TensorFlow单元测试从Python移植到C#或F#
4. 移植TensorFlow示例并报告问题
5. 调试被标记为Ignored的单元测试
6. 调试尚未工作的示例
7. 帮助完善文档

对于想要调试单元测试的贡献者,最好的方法是同时单步执行C#或F#和相应的Python代码,以查看执行流程的差异或变量值的不同。

支持与联系

TensorFlow.NET是SciSharp STACK的一部分,旨在为.NET开发者提供全面的科学计算和机器学习工具。

如果您有任何问题或建议,可以通过以下方式与我们联系:

• 在Discord或Gitter上加入我们的聊天
• 关注我们的Twitter、Facebook、Medium或LinkedIn

此外,为了使开源项目可持续发展,您可以购买我们的书籍TensorFlow.NET实战来支持我们的工作。

TensorFlow.NET为.NET开发者打开了机器学习和深度学习的大门,让他们能够利用TensorFlow强大的功能,同时保持在熟悉的.NET环境中工作。无论您是机器学习新手还是经验丰富的数据科学家,TensorFlow.NET都为您提供了在.NET生态系统中探索和应用最新AI技术的机会。🚀🧠💻