Keras.NET 是一个用于 C# 和 F# 的高级神经网络 API，通过 Python 绑定实现，能够在 TensorFlow、CNTK 或 Theano 之上运行。该库的设计重点在于支持快速实验。能够以尽可能短的延迟从想法过渡到结果，是开展高质量研究的关键。

如果您需要一个深度学习库，满足以下条件，那么可以使用 Keras：

• 支持简单快捷的原型开发（通过用户友好性、模块化和可扩展性）。

• 同时支持卷积神经网络和循环神经网络，以及两者的组合。

• 可在 CPU 和 GPU 上无缝运行。

Keras.NET 使用的技术：

• Numpy.NET

• pythonnet_netstandard

先决条件

• Python 3.7 或 3.8，下载链接：https://www.python.org/downloads/

• 安装 keras、numpy 以及其中一个后端框架（Tensorflow/CNTK/Theano）。Keras 现已与 TensorFlow 2.0 捆绑在一起，因此同时安装 Keras 和 TensorFlow 最简单的方式就是直接安装 TensorFlow 2.0。

Nuget 包

可通过 Nuget 安装：https://www.nuget.org/packages/Keras.NET

dotnet add package Keras.NET

XOR 示例（C#）

// 加载训练数据
NDarray x = np.array(new float[,] { { 0, 0 }, { 0, 1 }, { 1, 0 }, { 1, 1 } });
NDarray y = np.array(new float[] { 0, 1, 1, 0 });

// 构建顺序模型
var model = new Sequential();
model.Add(new Dense(32, activation: "relu", input_shape: new Shape(2)));
model.Add(new Dense(64, activation: "relu"));
model.Add(new Dense(1, activation: "sigmoid"));

// 编译并训练
model.Compile(optimizer:"sgd", loss:"binary_crossentropy", metrics: new string[] { "accuracy" });
model.Fit(x, y, batch_size: 2, epochs: 1000, verbose: 1);

// 保存模型和权重
string json = model.ToJson();
File.WriteAllText("model.json", json);
model.SaveWeight("model.h5");

// 加载模型和权重
var loaded_model = Sequential.ModelFromJson(File.ReadAllText("model.json"));
loaded_model.LoadWeight("model.h5");

输出：

MNIST 卷积神经网络示例（C#）

Python 示例来源：https://keras.io/examples/mnist_cnn/

int batch_size = 128;
int num_classes = 10;
int epochs = 12;

// 输入图像尺寸
int img_rows = 28, img_cols = 28;

Shape input_shape = null;

// 数据集，分为训练集和测试集
var ((x_train, y_train), (x_test, y_test)) = MNIST.LoadData();

if(Backend.ImageDataFormat() == "channels_first")
{
    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols);
    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols);
    input_shape = (1, img_rows, img_cols);
}
else
{
    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1);
    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1);
    input_shape = (img_rows, img_cols, 1);
}

x_train = x_train.astype(np.float32);
x_test = x_test.astype(np.float32);
x_train /= 255;
x_test /= 255;
Console.WriteLine($"x_train shape: {x_train.shape}");
Console.WriteLine($"{x_train.shape[0]} train samples");
Console.WriteLine($"{x_test.shape[0]} test samples");

// 将类别向量转换为二值分类矩阵
y_train = Util.ToCategorical(y_train, num_classes);
y_test = Util.ToCategorical(y_test, num_classes);

// 构建 CNN 模型
var model = new Sequential();
model.Add(new Conv2D(32, kernel_size: (3, 3).ToTuple(),
                        activation: "relu",
                        input_shape: input_shape));
model.Add(new Conv2D(64, (3, 3).ToTuple(), activation: "relu"));
model.Add(new MaxPooling2D(pool_size: (2, 2).ToTuple()));
model.Add(new Dropout(0.25));
model.Add(new Flatten());
model.Add(new Dense(128, activation: "relu"));
model.Add(new Dropout(0.5));
model.Add(new Dense(num_classes, activation: "softmax"));

model.Compile(loss: "categorical_crossentropy",
    optimizer: new Adadelta(), metrics: new string[] { "accuracy" });

model.Fit(x_train, y_train,
            batch_size: batch_size,
            epochs: epochs,
            verbose: 1,
            validation_data: new NDarray[] { x_test, y_test });
var score = model.Evaluate(x_test, y_test, verbose: 0);
Console.WriteLine($"Test loss: {score[0]}");
Console.WriteLine($"Test accuracy: {score[1]}");

输出

仅用 3 个 epoch 就达到了 98% 的准确率。

文档

https://scisharp.github.io/Keras.NET/

Keras.NET 快速上手指南

Keras.NET 是一个面向 C# 和 F# 的高级神经网络 API，通过 Python 绑定运行，支持 TensorFlow、CNTK 或 Theano 后端。它旨在让开发者能够快速原型设计，无缝在 CPU 和 GPU 上运行深度学习模型。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows, Linux 或 macOS。

• .NET 环境：安装 .NET Core SDK 或 .NET 5/6+。

• Python 环境：必须安装 Python 3.7 或 Python 3.8。

  • 下载地址：https://www.python.org/downloads/
  • 注意：请务必在安装时将 Python 添加到系统环境变量 (PATH) 中。

• Python 依赖库： 需要安装 keras、numpy 以及一个后端框架（推荐 TensorFlow）。由于 Keras 已集成在 TensorFlow 2.0+ 中，最简单的安装方式是直接安装 TensorFlow：

  pip install tensorflow
  

  (国内用户可使用清华源加速安装：pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple)

安装步骤

在您的 .NET 项目中，通过 NuGet 包管理器安装 Keras.NET：

使用 .NET CLI 命令行：

dotnet add package Keras.NET

或使用 Visual Studio 包管理器控制台：

Install-Package Keras.NET

该包会自动引入必要的依赖项，包括 Numpy.NET 和 pythonnet_netstandard。

基本使用

以下是一个最简单的 XOR 问题示例，展示如何构建模型、训练、保存及加载权重。

C# 代码示例

using Keras;
using Keras.Models;
using Keras.Layers;
using Numpy;

// 1. 加载训练数据 (XOR 逻辑)
NDarray x = np.array(new float[,] { { 0, 0 }, { 0, 1 }, { 1, 0 }, { 1, 1 } });
NDarray y = np.array(new float[] { 0, 1, 1, 0 });

// 2. 构建顺序模型 (Sequential Model)
var model = new Sequential();
model.Add(new Dense(32, activation: "relu", input_shape: new Shape(2)));
model.Add(new Dense(64, activation: "relu"));
model.Add(new Dense(1, activation: "sigmoid"));

// 3. 编译并训练模型
model.Compile(optimizer:"sgd", loss:"binary_crossentropy", metrics: new string[] { "accuracy" });
model.Fit(x, y, batch_size: 2, epochs: 1000, verbose: 1);

// 4. 保存模型结构和权重
string json = model.ToJson();
System.IO.File.WriteAllText("model.json", json);
model.SaveWeight("model.h5");

// 5. 加载模型和权重进行预测
var loaded_model = Sequential.ModelFromJson(System.IO.File.ReadAllText("model.json"));
loaded_model.LoadWeight("model.h5");

// 此时即可使用 loaded_model.Predict() 进行推理

运行上述代码后，您将看到模型训练过程中的准确率输出，并在项目目录下生成 model.json 和 model.h5 文件。

更多高级示例（如 MNIST 卷积神经网络）请参考官方文档：https://scisharp.github.io/Keras.NET/