C# 机器学习：.NET 功能与局限概述

介绍：C#在机器学习领域能与Python匹敌吗？

机器学习（ML）世界长期以来几乎被Python独占。海量的库（scikit-learn、PyTorch、TensorFlow）、活跃的社区以及丰富的学习资源使Python成为无可争议的领导者。然而，使用C#和.NET平台的开发者常常会思考：能否用熟悉的工具来处理机器学习任务？答案是肯定的，但存在某些限制条件。

本文将探讨.NET生态系统为机器学习提供了哪些工具、它们的优势所在，以及C#在哪些方面仍落后于Python。本文既适用于希望进入ML领域的.NET开发者，也适用于正在考虑其他方案的AI数据科学家。

ML.NET：微软原生库

C#进行机器学习的核心工具是ML.NET。这是一个由微软为.NET生态系统开发的开源跨平台库，允许直接在C#应用中嵌入机器学习模型，无需转向Python。

ML.NET的主要特性

• 训练与推理：ML.NET支持从零开始训练模型以及加载预训练模型。
• 常见任务：分类、回归、聚类、排序、异常检测、文本情感分析。
• 自动化机器学习（AutoML）：内置自动选择最优算法和超参数的机制。
• ONNX集成：支持开放神经网络交换格式，可导入PyTorch或TensorFlow模型。

示例：用ML.NET预测房价（回归）

来看一个简单的例子——根据面积预测房价。首先定义数据类：

public class HousingData{    public float Size { get; set; }    public float Price { get; set; }}

public class PricePrediction{    [ColumnName("Score")]    public float Price { get; set; }}

接下来编写训练代码：

using Microsoft.ML;

var context = new MLContext();var data = context.Data.LoadFromTextFile<HousingData>("housing.csv", separatorChar: ',');

var pipeline = context.Transforms.Concatenate("Features", new[] { "Size" })    .Append(context.Regression.Trainers.Sdca(labelColumnName: "Price"));

var model = pipeline.Fit(data);

var predictionEngine = context.Model.CreatePredictionEngine<HousingData, PricePrediction>(model);var prediction = predictionEngine.Predict(new HousingData { Size = 75f });

Console.WriteLine($"Predicted price: {prediction.Price:F2}");

如你所见，这个API对.NET开发者来说非常直观。但需要明确的是：ML.NET在深度学习（神经网络）方面不如Keras或PyTorch灵活。

TensorFlow.NET与SciSharp技术栈

针对C#的深度学习任务，有一个TensorFlow.NET项目（TF.NET）。这是原始TensorFlow的.NET绑定，允许用C#创建、训练和运行神经网络。与SciSharp库（Keras.NET、NumSharp、Pandas.NET）结合使用，就能在.NET环境中构建类似Python的技术栈。

示例：用TensorFlow.NET构建简单神经网络

using Tensorflow;using static Tensorflow.Binding;using NumSharp;

// 创建简单的Sequential模型var model = keras.Sequential();model.add(keras.layers.Dense(128, activation: "relu", input_shape: new Shape(784)));model.add(keras.layers.Dense(10, activation: "softmax"));

// 编译模型compile(options: optimizer: "adam",                   loss: "categorical_crossentropy",                   metrics: new[] { "accuracy" });

// 加载MNIST数据（通过NumSharp）var (x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data();x