C# 用于机器学习：能力与局限

轻松学习Python，无需理论负担。在浏览器中直接解决带自动检查的实践任务，无需安装任何东西。

引言：为什么在机器学习领域使用C#？

机器学习（ML）领域通常与Python、R和Julia紧密相关。然而，使用C#和.NET平台的开发者常常会问：能否用熟悉的语言来构建智能系统？答案是肯定的，但需要留意一些限制。C#并非数据科学的主流选择，但.NET生态提供了强大的工具，例如ML.NET、TensorFlow.NET，以及对ONNX的支持。本文将探讨C#在机器学习方面提供了哪些能力，在哪些场景下使用它是合理的，以及在哪些情况下使用Python会更合适。

C#在机器学习中的能力

1. ML.NET —— 微软原生框架

ML.NET 是一个跨平台的开源机器学习框架，专为.NET生态打造。它允许你将ML模型嵌入C#和F#应用程序中，而无需学习Python。ML.NET支持：

分类与回归（例如情感分析、价格预测）。
聚类与排序。
推荐系统与异常检测。
图像处理（通过与TensorFlow集成）。

训练文本情感分类模型的简单示例：

using Microsoft.ML;using Microsoft.ML.Data;

public class SentimentData{    public string Text { get; set; }    public bool Label { get; set; }}

public class SentimentPrediction{    public bool PredictedLabel { get; set; }}

var context = new MLContext();var data = context.Data.LoadFromTextFile<SentimentData>("data.csv", separatorChar: ',');var pipeline = context.Transforms.Text.FeaturizeText("Features", "Text")    .Append(context.BinaryClassification.Trainers.SdcaLogisticRegression());var model = pipeline.Fit(data);var predictionEngine = context.Model.CreatePredictionEngine<SentimentData, SentimentPrediction>(model);var prediction = predictionEngine.Predict(new SentimentData { Text = "Это отличный продукт!" });Console.WriteLine(prediction.PredictedLabel); // True (положительная тональность)

ML.NET非常适合将ML集成到企业级.NET应用程序中，例如CRM、ERP或基于ASP.NET Core的Web服务。

2. 与TensorFlow和ONNX的集成

C#可以通过TensorFlow和ONNX格式使用来自Python世界的预训练模型。这允许直接在.NET应用程序中使用强大的神经网络（例如ResNet、BERT）。

加载用于图像识别的ONNX模型示例：

using Microsoft.ML.OnnxRuntime;using Microsoft.ML.OnnxRuntime.Tensors;

var session = new InferenceSession("model.onnx");var input = new DenseTensor<float>(new float[1 * 3 * 224 * 224], new[] { 1, 3, 224, 224 });var inputs = new List<NamedOnnxValue>{    NamedOnnxValue.CreateFromTensor("input", input)};using var results = session.Run(inputs);var output = results.First().AsTensor<float>();Console.WriteLine($"Predicted class index: {output.ArgMax()}");

因此，你可以在Python中训练模型，然后在生产环境中用C#进行部署。