C#深度学习实战：从零构建神经网络模型

1次阅读

共计 2286 个字符，预计需要花费 6 分钟才能阅读完成。

深度学习通常与 Python 语言绑定在一起，但 C#在这个领域也有着不可忽视的优势。随着微软在 ML.NET 和 TensorFlow.NET 上的持续投入，C#开发者现在可以利用熟悉的语言和工具链进入深度学习领域。C# 在深度学习中的主要优势包括：

性能优势 ：C# 是编译型语言，执行效率高于解释型语言如 Python
强类型系统 ：减少运行时错误，提高代码可靠性
.NET 生态系统 ：可以与现有 C# 应用程序无缝集成
跨平台支持 ：通过.NET Core 可在 Windows/Linux/macOS 上运行

ML.NET 和 TensorFlow.NET 是 C# 开发者最常用的两个深度学习框架，它们各有特点：

ML.NET
微软官方推出的机器学习框架
更适合传统机器学习任务
内置数据预处理和模型评估工具
学习曲线较平缓
TensorFlow.NET
TensorFlow 的.NET 绑定
支持更复杂的深度学习模型
可以直接使用 TensorFlow 生态的预训练模型
需要一定的 TensorFlow 知识

对于大多数 C# 开发者来说，如果是深度学习新手，建议从 ML.NET 开始；如果需要构建复杂模型或使用预训练模型，则选择 TensorFlow.NET。

下面我们将使用 TensorFlow.NET 构建一个简单的神经网络模型，完成 MNIST 手写数字识别任务。

首先安装必要的 NuGet 包：

Install-Package TensorFlow.NET
Install-Package SciSharp.TensorFlow.Redist

// 加载 MNIST 数据集
var (trainImages, trainLabels, testImages, testLabels) = MnistModelLoader.LoadAsync();

// 归一化像素值 (0-255 -> 0-1)
trainImages = trainImages / 255f;
testImages = testImages / 255f;

// 将标签转换为 one-hot 编码
trainLabels = np.eye(10)[trainLabels];
testLabels = np.eye(10)[testLabels];

var model = new Sequential();

// 输入层
model.Add(new Flatten(input_shape: (28, 28)));

// 隐藏层
model.Add(new Dense(128, activation: "relu"));
model.Add(new Dropout(0.2));

// 输出层
model.Add(new Dense(10, activation: "softmax"));

// 编译模型
model.Compile(optimizer: new Adam(0.001),
    loss: "categorical_crossentropy",
    metrics: new[] { "accuracy"}
);

// 训练参数
int batchSize = 32;
int epochs = 10;

// 训练模型
var history = model.Fit(
    trainImages, trainLabels,
    batchSize: batchSize,
    epochs: epochs,
    validation_data: (testImages, testLabels)
);

// 评估测试集
var (loss, accuracy) = model.Evaluate(testImages, testLabels);
Console.WriteLine($"Test accuracy: {accuracy:P}");

// 保存模型
model.Save("./mnist_model");