基于TensorFlow.NET的神经网络

在本文中，我们将学习如何在C＃中构建神经网络模型图。与线性分类器相比，神经网络的关键优势在于它可以分类非不可线性分布的数据。我们将实现此模型来对来自于MNIST的手写数字图像数据集的进行分类。

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）。该网络具有2个隐藏层：第一层具有200个隐藏单元（神经元），第二层具有10个神经元（称为分类器层）。

让我们一步一步地开始实施：

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。这些数字已经过标准化，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1-D阵列。它也是深度学习数据集的基准。

我们定义一些变量使以后更容易修改它们。值得注意的是，在线性模型中，我们必须将输入图像展平为矢量。

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 img_size_flat = img_h * img_w; // 784, the total number of pixels
int n_classes = 10; // Number of classes, one class per digit

我们将编写自动加载MNIST数据的函数，并以我们想要的形状和格式返回它。有一个MNIST数据助手可以让操作更轻松。
数据集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功能外，我们还需要两个功能：
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）随机化（NDArray x，NDArray y）
{
    var perm = np.random.permutation（y.shape [0]）;
    np.random.shuffle（烫发）;
    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 = x [ “ s