TensorflowSharp 简单使用与KNN识别MNIST流程

                   

                                                                                                   

机器学习是时下非常流行的话题，而Tensorflow是机器学习中最有名的工具包。TensorflowSharp是Tensorflow的C#语言表述。本文会对TensorflowSharp的使用进行一个简单的介绍。

本文会先介绍Tensorflow的一些基本概念，然后实现一些基本操作例如数字相加等运算。然后，实现求两个点(x1,y1)和(x2,y2)的距离。最后，通过这些前置基础和一些C#代码，实现使用KNN方法识别MNIST手写数字集合（前半部分）。阅读本文绝对不需要任何机器学习基础，因为我现在也才刚刚入门，行文不准确之处难免，敬请见谅。

本文的后半部分还在整理之中。

1. 什么是机器学习

用最最简单的话来说，机器学习就是不断改进一个模型的过程，使之可以更好的描述一组数据的内在规律。假设，我们拿到若干人的年龄(a1,a2,a3…)和他们的工资(b1,b2,b3…)，此时，我们就可以将这些点画在一个二维直角坐标系中，包括(a1,b1)，(a2,b2)等等。这些就称为输入或训练数据。

我们可以用数学的最小二乘法拟合一条直线，这样就可以得到最好的可以描述这些数据的规律y=ax+b了。当然，因为我们有很多个点，所以它们可能不在一条直线上，因此任何的直线都不会过它们所有的点，即一定会有误差。

但对于电脑来说，它可以使用一种截然不同的方式来得到y=ax+b中a，b的值。首先，它从一个随便指定的a和b出发（例如a=100,b=1），然后它算出y=100(a1)+1的值和b1的区别，y=100(a2)+1和b2的区别，等等。它发现误差非常大，此时，它就会调整a和b的值（通过某种算法），使得下一次的误差会变小。如果下次的误差反而变得更大了，那就说明，要么是初始值a,b给的不好，要么是y=ax+b可能不是一个好的模型，可能一个二次方程y=a^2+bx+c更好，等等。

经过N轮调整（这称为模型的训练），误差的总和可能已经到了一个稳定的，较小的值。误差小时，a和b的调整相对当然也会较小。此时的a和b就会十分接近我们使用最小二乘法做出来的值，这时，就可以认为模型训练完成了。

当然，这只是机器学习最简单的一个例子，使用的模型也只是线性的直线方程。如果使用更加复杂的模型，机器学习可以做出十分强大的事情。

2. 环境初始化

我使用VS2017创建一个新的控制台应用，然后，使用下面的命令安装TensorflowSharp：

nuget install TensorFlowSharp

TensorflowSharp的源码地址：https://github.com/migueldeicaza/TensorFlowSharp

如果在运行时发现问题“找不到libtensorflow.dll”，则需要访问

http://ci.tensorflow.org/view/Nightly/job/nightly-libtensorflow-windows/lastSuccessfulBuild/artifact/lib_package/libtensorflow-cpu-windows-x86_64.zip

下载这个压缩包。然后，在下载的压缩包中的\lib中找到tensorflow.dll，将它改名为libtensorflow.dll，并在你的工程中引用它。

这样一来，环境初始化就完成了。

3. TensorflowSharp中的概念

TensorflowSharp / Tensorflow中最重要的几个概念：

图（Graph）：它包含了一个计算任务中的所有变量和计算方式。可以将它和C#中的表达式树进行类比。例如，一个1+2可以被看作为两个常量表达式，以一个二元运算表达式连接起来。在Tensorflow的世界中，则可以看成是两个tensor和一个op（operation的缩写，即操作）。简单来说，做一个机器学习的任务就是计算一张图。

在计算图之前，当然要把图建立好。例如，计算（1+2）*3再开根号，是一个包括了3个tensor和3个Op的图。

不过，Tensorflow的图和常规的表达式还有所不同，Tensorflow中的节点变量是可以被递归的更新的。我们所说的“训练”，也就是不停的计算一个图，