用.NET实现卷积神经网络（CNN）

在本文中，我们将展示如何通过.NET来实现卷积神经网络（CNN）模型。我们将通过此模型对MNIST数据集进行分类。
我们要构建的神经网络的结构如下， MNIST数据的手写数字图像有10个类（从0到9），网络有2个卷积层，最后是2个全连接层。

图：神经网络架构

下面让我们一起来看看怎么实施：

1. 准备数据

MNIST是手写数字的数据集，包含55,000个用于训练的示例，5,000个用于验证的示例和10,000个用于测试的示例。这些数字的尺寸已经标准化，并且以固定尺寸的图像（28 x 28像素）为中心，其值为0和1.每个图像已被展平并转换为784个特征的一维阵列。它也是深度学习数据集的基准。

导入TensorFlow.NET和[NumSharp](https://github.com/scisharp/numsharp)库。

using System;
using NumSharp;
using Tensorflow;
using TensorFlowNET.Examples.Utility;
using static Tensorflow.Python;
const int img_h = 28;
const int img_w = 28;
int n_classes = 10; // Number of classes, one class per digit
int n_channels = 1;

我们将编写自动加载MNIST数据的函数，并以我们想要的形式返回。有一个MNIST数据助手，可以让整个过程更轻松。

Datasets mnist;
public void PrepareData（）
{
    mnist = MnistDataSet.read_data_sets（“mnist”，one_hot：true）;
}

除了加载图像和相应标签的函数外，我们还需要三个函数：

reformat：将数据重新格式化为卷积层可接受的格式。

private (NDArray, NDArray) Reformat(NDArray x, NDArray y)
{
    var (img_size, num_ch, num_class) = (np.sqrt(x.shape[1]), 1, len(np.unique<int>(np.argmax(y, 1))));
    var dataset = x.reshape(x.shape[0], img_size, img_size, num_ch).astype(np.float32);
    //y[0] = np.arange(num_class) == y[0];
    //var labels = (np.arange(num_class) == y.reshape(y.shape[0], 1, y.shape[1])).astype(np.float32);
    return (dataset, y);
}

randomize：随机化图像及其标签的顺序。在每个epoch的开始，我们将重新随机化数据样本的顺序，以确保训练的模型对数据的顺序不敏感。

private (NDArray, NDArray) randomize(NDArray x, NDArray y)
{
    var perm = np.random.permutation(y.shape[0]);
np.random.shuffle(perm);
    return (mnist.train.images[perm], mnist.train.labels[perm]);
}

get_next_batch：仅选择由batch_size变量确定的少量图像（根据Stochastic Gradient Descent方法）。

private (NDArray, NDArray) get_next_batch(NDArray x, NDArray y, int start, int end)
{
    var x_batch