C# 编写 TensorFlow 人工智能应用

Posted DotNet

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了C# 编写 TensorFlow 人工智能应用相关的知识,希望对你有一定的参考价值。


来源:LineZero

cnblogs.com/linezero/p/tensorflowsharp.html


TensorFlowSharp入门使用C#编写TensorFlow人工智能应用学习。


TensorFlow简单介绍


TensorFlow 是谷歌的第二代机器学习系统,按照谷歌所说,在某些基准测试中,TensorFlow的表现比第一代的DistBelief快了2倍。


TensorFlow 内建深度学习的扩展支持,任何能够用计算流图形来表达的计算,都可以使用TensorFlow。


任何基于梯度的机器学习算法都能够受益于TensorFlow的自动分化(auto-differentiation)。通过灵活的Python接口,要在TensorFlow中表达想法也会很容易。


TensorFlow 对于实际的产品也是很有意义的。将思路从桌面GPU训练无缝搬迁到手机中运行。


示例Python代码:


import tensorflow as tf

import numpy as np


# Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3

x_data = np.random.rand(100).astype(np.float32)

y_data = x_data * 0.1 + 0.3


# Try to find values for W and b that compute y_data = W * x_data + b

# (We know that W should be 0.1 and b 0.3, but TensorFlow will

# figure that out for us.)

W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))

b = tf.Variable(tf.zeros([1]))

y = W * x_data + b


# Minimize the mean squared errors.

loss = tf.reduce_mean(tf.square(y - y_data))

optimizer = tf.train.GradientDescentOptimizer(0.5)

train = optimizer.minimize(loss)


# Before starting, initialize the variables.  We will 'run' this first.

init = tf.global_variables_initializer()


# Launch the graph.

sess = tf.Session()

sess.run(init)


# Fit the line.

for step in range(201):

    sess.run(train)

    if step % 20 == 0:

        print(step, sess.run(W), sess.run(b))


# Learns best fit is W: [0.1], b: [0.3]


使用TensorFlowSharp 


GitHub:https://github.com/migueldeicaza/TensorFlowSharp


官方源码库,该项目支持跨平台,使用Mono。


可以使用NuGet 安装TensorFlowSharp,如下:


Install-Package TensorFlowSharp


编写简单应用


使用VS2017新建一个.NET Framework 控制台应用 tensorflowdemo,接着添加TensorFlowSharp 引用。


TensorFlowSharp 包比较大,需要耐心等待。


然后在项目属性中生成->平台目标 改为 x64。


打开Program.cs 写入如下代码:


static void Main(string[] args)

{

    using (var session = new TFSession())

    {

        var graph = session.Graph;

        Console.WriteLine(TFCore.Version);

        var a = graph.Const(2);

        var b = graph.Const(3);

        Console.WriteLine("a=2 b=3");


        // 两常量加

        var addingResults = session.GetRunner().Run(graph.Add(a, b));

        var addingResultValue = addingResults[0].GetValue();

        Console.WriteLine("a+b={0}", addingResultValue);


        // 两常量乘

        var multiplyResults = session.GetRunner().Run(graph.Mul(a, b));

        var multiplyResultValue = multiplyResults[0].GetValue();

        Console.WriteLine("a*b={0}", multiplyResultValue);

        var tft = new TFTensor(Encoding.UTF8.GetBytes($"Hello TensorFlow Version {TFCore.Version}! LineZero"));

        var hello = graph.Const(tft);

        var helloResults = session.GetRunner().Run(hello);

        Console.WriteLine(Encoding.UTF8.GetString((byte[])helloResults[0].GetValue()));

    }

    Console.ReadKey();

}        


运行程序结果如下:



TensorFlow C# image recognition


图像识别示例体验


https://github.com/migueldeicaza/TensorFlowSharp/tree/master/Examples/ExampleInceptionInference


下面学习一个实际的人工智能应用,是非常简单的一个示例,图像识别。


新建一个 imagerecognition .NET Framework 控制台应用项目,接着添加TensorFlowSharp 引用。


然后在项目属性中生成->平台目标 改为 x64。


接着编写如下代码:


class Program

{

    static string dir, modelFile, labelsFile;

    public static void Main(string[] args)

    {

        dir = "tmp";

        List<string> files = Directory.GetFiles("img").ToList();

        ModelFiles(dir);

        var graph = new TFGraph();

        // 从文件加载序列化的GraphDef

        var model = File.ReadAllBytes(modelFile);

        //导入GraphDef

        graph.Import(model, "");

        using (var session = new TFSession(graph))

        {

            var labels = File.ReadAllLines(labelsFile);

            Console.WriteLine("TensorFlow图像识别 LineZero");

            foreach (var file in files)

            {

                // Run inference on the image files

                // For multiple images, session.Run() can be called in a loop (and

                // concurrently). Alternatively, images can be batched since the model

                // accepts batches of image data as input.

                var tensor = CreateTensorFromImageFile(file);


                var runner = session.GetRunner();

                runner.AddInput(graph["input"][0], tensor).Fetch(graph["output"][0]);

                var output = runner.Run();

                // output[0].Value() is a vector containing probabilities of

                // labels for each image in the "batch". The batch size was 1.

                // Find the most probably label index.


                var result = output[0];

                var rshape = result.Shape;

                if (result.NumDims != 2 || rshape[0] != 1)

                {

                    var shape = "";

                    foreach (var d in rshape)

                    {

                        shape += $"{d} ";

                    }

                    shape = shape.Trim();

                    Console.WriteLine($"Error: expected to produce a [1 N] shaped tensor where N is the number of labels, instead it produced one with shape [{shape}]");

                    Environment.Exit(1);

                }


                // You can get the data in two ways, as a multi-dimensional array, or arrays of arrays, 

                // code can be nicer to read with one or the other, pick it based on how you want to process

                // it

                bool jagged = true;


                var bestIdx = 0;

                float p = 0, best = 0;


                if (jagged)

                {

                    var probabilities = ((float[][])result.GetValue(jagged: true))[0];

                    for (int i = 0; i < probabilities.Length; i++)

                    {

                        if (probabilities[i] > best)

                        {

                            bestIdx = i;

                            best = probabilities[i];

                        }

                    }


                }

                else

                {

                    var val = (float[,])result.GetValue(jagged: false);


                    // Result is [1,N], flatten array

                    for (int i = 0; i < val.GetLength(1); i++)

                    {

                        if (val[0, i] > best)

                        {

                            bestIdx = i;

                            best = val[0, i];

                        }

                    }

                }


                Console.WriteLine($"{Path.GetFileName(file)} 最佳匹配: [{bestIdx}] {best * 100.0}% 标识为:{labels[bestIdx]}");

            }

        }

        Console.ReadKey();

    }


    // Convert the image in filename to a Tensor suitable as input to the Inception model.

    static TFTensor CreateTensorFromImageFile(string file)

    {

        var contents = File.ReadAllBytes(file);


        // DecodeJpeg uses a scalar String-valued tensor as input.

        var tensor = TFTensor.CreateString(contents);


        TFGraph graph;

        TFOutput input, output;


        // Construct a graph to normalize the image

        ConstructGraphToNormalizeImage(out graph, out input, out output);


        // Execute that graph to normalize this one image

        using (var session = new TFSession(graph))

        {

            var normalized = session.Run(

                     inputs: new[] { input },

                     inputValues: new[] { tensor },

                     outputs: new[] { output });


            return normalized[0];

        }

    }


    // The inception model takes as input the image described by a Tensor in a very

    // specific normalized format (a particular image size, shape of the input tensor,

    // normalized pixel values etc.).

    //

    // This function constructs a graph of TensorFlow operations which takes as

    // input a JPEG-encoded string and returns a tensor suitable as input to the

    // inception model.

    static void ConstructGraphToNormalizeImage(out TFGraph graph, out TFOutput input, out TFOutput output)

    {

        // Some constants specific to the pre-trained model at:

        // https://storage.googleapis.com/download.tensorflow.org/models/inception5h.zip

        //

        // - The model was trained after with images scaled to 224x224 pixels.

        // - The colors, represented as R, G, B in 1-byte each were converted to

        //   float using (value - Mean)/Scale.


        const int W = 224;

        const int H = 224;

        const float Mean = 117;

        const float Scale = 1;


        graph = new TFGraph();

        input = graph.Placeholder(TFDataType.String);


        output = graph.Div(

            x: graph.Sub(

                x: graph.ResizeBilinear(

                    images: graph.ExpandDims(

                        input: graph.Cast(

                            graph.DecodeJpeg(contents: input, channels: 3), DstT: TFDataType.Float),

                        dim: graph.Const(0, "make_batch")),

                    size: graph.Const(new int[] { W, H }, "size")),

                y: graph.Const(Mean, "mean")),

            y: graph.Const(Scale, "scale"));

    }


    /// <summary>

    /// 下载初始Graph和标签

    /// </summary>

    /// <param name="dir"></param>

    static void ModelFiles(string dir)

    {

        string url = "https://storage.googleapis.com/download.tensorflow.org/models/inception5h.zip";


        modelFile = Path.Combine(dir, "tensorflow_inception_graph.pb");

        labelsFile = Path.Combine(dir, "imagenet_comp_graph_label_strings.txt");

        var zipfile = Path.Combine(dir, "inception5h.zip");


        if (File.Exists(modelFile) && File.Exists(labelsFile))

            return;


        Directory.CreateDirectory(dir);

        var wc = new WebClient();

        wc.DownloadFile(url, zipfile);

        ZipFile.ExtractToDirectory(zipfile, dir);

        File.Delete(zipfile);

    }

}


这里需要注意的是由于需要下载初始Graph和标签,而且是google的站点,所以得使用一些特殊手段。


最终我随便下载了几张图放到bin\Debug\img


C# 编写 TensorFlow 人工智能应用


然后运行程序,首先确保bin\Debug\tmp文件夹下有tensorflow_inception_graph.pb及imagenet_comp_graph_label_strings.txt。



人工智能的魅力非常大,本文只是一个入门,复制上面的代码,你没法训练模型等等操作。所以道路还是很远,需一步一步来。


更多可以查看 https://github.com/migueldeicaza/TensorFlowSharp 及 https://github.com/tensorflow/models


参考文档:


TensorFlow 官网:https://www.tensorflow.org/get_started/


TensorFlow 中文社区:http://www.tensorfly.cn/


TensorFlow 官方文档中文版:http://wiki.jikexueyuan.com/project/tensorflow-zh/


看完本文有收获?请转发分享给更多人

关注「DotNet」,提升.Net技能 

以上是关于C# 编写 TensorFlow 人工智能应用的主要内容,如果未能解决你的问题,请参考以下文章

Python玩转人工智能最火框架 TensorFlow应用实践 学习 教程

TensorFlow+Keras深度学习人工智能实践应用_林大贵

《Tensorflow+Keras深度学习人工智能实践应用》的坑们

中国电信使用 TensorFlow 实现人工智能

人工智能深度学习入门练习之(10)TensorFlow – 介绍

Tensorflow+Keras 深度学习人工智能实践应用 Chapter Two 深度学习原理