怎么申请一个免费的网站,无锡专业制作网站,廊坊高端网站制作,湖南移动网站建机器学习是一个令人激动人心的领域#xff0c;一直有新的技术突破。研究人员不断推动机器智能的提升#xff0c;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#xff0c;最受欢迎的库是Google的TensorFlow。几乎所有的代码示例都是用Py…
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 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。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WindowsLinux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/// /summarypublic class Program{/// summary/// The main program entry point/// /summary/// param nameargsThe command line arguments/parampublic 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 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 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 zipfloat(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 - WindowsLinux和OS / X.您可以在控制台上运行代码如下所示 $ dotnet run或者通过点击F5在Visual Studio Code中。这是在最新版本的VS Code中在我的Mac上运行的应用程序 这是在终端的命令行上运行的相同应用程序 经过1000个训练时期后我最终损失了0.1548。完全训练的模型在验证数据上的损失为0.1572。 这是一个最初用Python编写的TensorFlow线性回归演示现在移植到C只有很少的语法更改。 有数千个类似的代码示例现在它们都可供C开发人员访问。 你意如何准备好开始用TensorFlow.NET和NumSharp编写C机器学习应用了吗 作者Mark Farragher 英文版地址https://medium.com/machinelearningadvantage/run-tensorflow-machine-learning-code-in-c-with-almost-no-changes-77f7b629389 --------------------- 作者SciSharp Stack 来源CSDN 原文https://blog.csdn.net/SciSharp/article/details/100223186 版权声明本文为作者原创文章转载请附上博文链接
