首页>编程相关>VB.NET
下载
TensorFlow.NET

英语 | 中文

重要的

我们很高兴我们在tensorflow.net上的工作吸引了许多用户。但是，目前该存储库的主要维护者均无法提供新功能和错误修复。我们不会拒绝 PR，并会帮助审核它们。

如果您想成为tensorflow.net 的贡献者或维护者，我们愿意帮助您启动。

我们对此感到抱歉，一旦我们中有一个人有足够的带宽，我们将恢复该项目的维护。

master分支和v0.100.x对应于tensorflow v2.10，v0.6x分支来自tensorflow v2.6，v0.15-tensorflow1.15来自tensorflow1.15。请将https://www.myget.org/F/scisharp/api/v3/index.json添加到 nuget 源以使用夜间发布。

张量流

为什么选择 Tensorflow.NET？

SciSharp STACK的使命是将流行的数据科学技术带入 .NET 世界，并为 .NET 开发人员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，您可以立即以零学习曲线调整 C# 或 F# 中的任何现有 TensorFlow 代码。看一下比较图，看看 TensorFlow/Python 脚本如何轻松地通过 TensorFlow.NET 转换为 C# 程序。

python 与 csharp

SciSharp 的理念允许大量用 Python 编写的机器学习代码快速迁移到 .NET，使 .NET 开发人员能够使用最先进的机器学习模型并访问大量 TensorFlow 资源，如果没有这个项目，这是不可能实现的。

与其他项目相比，例如 TensorFlowSharp 仅提供 TensorFlow 的低级 C++ API，并且只能运行使用 Python 构建的模型，Tensorflow.NET 可以使用纯 C# 和 F# 构建训练和推理管道。此外，Tensorflow.NET 提供了 Tensorflow.Keras 的绑定，使您可以轻松地将代码从 python 传输到 .NET。

ML.NET 还采用 Tensorflow.NET 作为后端之一来训练和推断模型，这提供了与 .NET 更好的集成。

文档

简介及简单示例：Tensorflow.NET文档

详细文档：The Definitive Guide to Tensorflow.NET

示例：TensorFlow.NET示例

运行示例或安装疑难解答：Tensorflow.NET FAQ

用法

安装

您可以在 NuGet Manager 中搜索包名称，或在包管理器控制台中使用以下命令。

该装置包含两部分，第一部分是主体： 

 # ## Install Tensorflow.NET
PM > Install-Package TensorFlow.NET

# ## Install Tensorflow.Keras
PM > Install-Package TensorFlow.Keras

第二部分是计算支撑部分。仅需要以下软件包之一，具体取决于您的设备和系统。 

 ### CPU version for Windows and Linux
PM> Install-Package SciSharp.TensorFlow.Redist

### CPU version for MacOS
PM> Install-Package SciSharp.TensorFlow.Redist-OSX

### GPU version for Windows (CUDA and cuDNN are required)
PM> Install-Package SciSharp.TensorFlow.Redist-Windows-GPU

### GPU version for Linux (CUDA and cuDNN are required)
PM> Install-Package SciSharp.TensorFlow.Redist-Linux-GPU

这里通过两个简单的例子来介绍Tensorflow.NET的基本用法。正如您所看到的，编写 C# 代码就像在 Python 中一样容易。

示例 - Eager模式下的线性回归

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

// Parameters        
var training_steps = 1000 ;
var learning_rate = 0.01f ;
var display_step = 100 ;

// Sample data
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 ] ;

// We can set a fixed init value in order to demo
var W = tf . Variable ( - 0.06f , name : " weight " ) ;
var b = tf . Variable ( - 0.73f , name : " bias " ) ;
var optimizer = keras . optimizers . SGD ( learning_rate ) ;

// Run training for the given number of steps.
foreach ( var step in range ( 1 , training_steps + 1 ) )
{
    // Run the optimization to update W and b values.
    // Wrap computation inside a GradientTape for automatic differentiation.
    using var g = tf . GradientTape ( ) ;
    // Linear regression (Wx + b).
    var pred = W * X + b ;
    // Mean square error.
    var loss = tf . reduce_sum ( tf . pow ( pred - Y , 2 ) ) / ( 2 * n_samples ) ;
    // should stop recording
    // Compute gradients.
    var gradients = g . gradient ( loss , ( W , b ) ) ;

    // Update W and b following gradients.
    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 ( ) } " ) ;
    }
}

在 Jupyter Notebook 中运行此示例。

示例 - Keras功能 API 中ResNet的玩具版本

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

var layers = keras . layers ;
// input layer
var inputs = keras . Input ( shape : ( 32 , 32 , 3 ) , name : " img " ) ;
// convolutional layer
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 ) ;
// output layer
var outputs = layers . Dense ( 10 ) . Apply ( x ) ;
// build keras model
var model = keras . Model ( inputs , outputs , name : " toy_resnet " ) ;
model . summary ( ) ;
// compile keras model in tensorflow static graph
model . compile ( optimizer : keras . optimizers . RMSprop ( 1e-3f ) ,
    loss : keras . losses . SparseCategoricalCrossentropy ( from_logits : true ) ,
    metrics : new [ ] { " acc " } ) ;
// prepare dataset
var ( ( x_train , y_train ) , ( x_test , y_test ) ) = keras . datasets . cifar10 . load_data ( ) ;
// normalize the input
x_train = x_train / 255.0f ;
// training
model . fit ( x_train [ new Slice ( 0 , 2000 ) ] , y_train [ new Slice ( 0 , 2000 ) ] ,
            batch_size : 64 ,
            epochs : 10 ,
            validation_split : 0.2f ) ;
// save the model
model . save ( " ./toy_resnet_model " ) ;

线性回归的 F# 示例可在此处找到。

更多高级示例可以在 TensorFlow.NET 示例中找到。

版本关系

TensorFlow.NET 版本张量流1.14，CUDA 10.0张量流1.15，CUDA 10.0张量流2.3，CUDA 10.1张量流2.4，CUDA 11张量流2.7，CUDA 11张量流2.10，CUDA 11
tf.net 0.10x，tf.keras 0.10 x
tf.net 0.7x，tf.keras 0.7 x
tf.net 0.4x，tf.keras 0.5 x
tf.net 0.3x，tf.keras 0.4 x
tf.net 0.2x x x
tf.net 0.15 x x
tf.net 0.14 x 
 tf.net 0.4x -> tf native 2.4 
tf.net 0.6x -> tf native 2.6      
tf.net 0.7x -> tf native 2.7
tf.net 0.10x -> tf native 2.10
...

贡献：

想为机器学习领域最热门的项目之一做出贡献吗？想知道 Tensorflow 如何神奇地创建计算图吗？

我们感谢每一份贡献，无论贡献多么微小！新手和专家都有不同的任务，如果每个人都只完成一个小任务，那么贡献的总和将是巨大的。

你可以：

  • Star Tensorflow.NET 或与其他人分享
  • 告诉我们与 Tensorflow 相比缺少的 API
  • 将 Tensorflow 单元测试从 Python 移植到 C# 或 F#
  • 将 Tensorflow 示例移植到 C# 或 F# 并在遇到 API 缺失部分或 BUG 时提出问题
  • 调试标记为“忽略”的单元测试之一以使其正常工作
  • 调试尚未运行的示例之一并使其运行
  • 帮助我们完成文件。

如何调试单元测试：

找出单元测试失败原因的最佳方法是同时在 C# 或 F# 及其相应的 Python 中单步执行，以查看执行流程在哪里偏离或变量在哪里表现出不同的值。像 PyCharm 这样的优秀 Python IDE 可以让您单步执行 Tensorflow 库代码。

贡献者的 Git 知识

将 SciSharp/TensorFlow.NET 添加为本地存储库的上游... 

 git remote add upstream [email protected]:SciSharp/TensorFlow.NET.git

请定期从上游拉取，确保您的分叉保持最新状态。 

 git pull upstream master

支持

购买我们的书，让开源项目可持续发展 TensorFlow.NET实战

接触

加入我们在 Discord 或 Gitter 上的聊天。

在 Twitter、Facebook、Medium、LinkedIn 上关注我们。

TensorFlow.NET 是 SciSharp STACK 的一部分

展开
附加信息
相关应用
为您推荐
相关资讯 全部