序一

几年前一次偶然的机会接触到机器学习领域，对于我这样习惯了十几年强规则型机器编码的“老码农”来说，就像发现了一块新大陆。我充满了好奇，于是迫不及待地开启了机器学习探索之旅。在经历了满世界找文档、看论文和研究算法后，我渐渐地发现了自己力所能及并可能有所贡献的机会。在互联网上能找到的有关机器学习方面的示例中，几乎99%的示例都是用Python写的，剩下的是用C/C++写的，可以说是Python“独霸天下”的局面，让人误以为做机器学习项目就必须用Python。这个情况让我萌生了移植一些常用的机器学习库到.NET生态的想法，最初的想法是通过迁移这些库来加深对机器学习的掌握程度，揭开“时髦”词汇人工智能（AI）和机器学习（ML）背后的秘密。

目前机器学习流行的基础库NumPy是首先要进行移植的，于是产生了NumSharp这个张量计算库，移植过程并不是很顺利，因为张量计算对于我来说是一个全新的概念。要实现一个和现有NumPy库可以相互替换的.NET库比想象中更难，最具有挑战性的是它对函数性能的要求很高。最后的效果是只移植了表面上的接口和一小部分API，满足了少部分模型的计算要求，但性能较差，.NET天生在这方面不能和C/C++相提并论，虽然有SIMD的加持，但是实现起来仍然非常不方便。

随着对机器学习的不断深入了解，我逐步接触了神经网络和深度学习知识。神经网络带我进入了一个魔幻的世界，里面充满未知。当时谷歌的TensorFlow开源深度学习框架正火遍全球，同时期的PyTorch崭露头角，所以第一个进入目标移植深度学习库的就是TensorFlow了，我称之为TensorFlow.NET。

移植工作从“Hello World！”开始，API逐步增多，复杂性随之增加，从静态图到动态图，再到上层的Keras，基本上都实现了。在代码编写的过程中，因为项目从一开始就是在GitHub上开源的，所以我不断收到各种各样的使用反馈。正因为有这样的反馈互动，我才有了不断完善这个项目的动力。在此过程中，我结识了仇华——在图像识别领域深耕多年的朋友，并产生了应该编写一本关于如何使用TensorFlow.NET的书籍的想法，把现有的示例代码通过图文讲解的方式呈现给读者，于是有了这本《TensorFlow.NET实战》。书中详细介绍了从张量计算到神经网络模型的搭建，从理论编码到工业场景重现的剖析，示例涵盖线性回归、逻辑回归、全连接神经网络、文本分类、图像分类和迁移学习等，是帮助.NET开发者进入机器学习世界的宝贵资料。

最后要感谢在项目编码和宣传上给予过我帮助的人，特别是家人对我在开源项目方面的支持，因为做开源项目几乎占用了我所有的业余时间和精力，照顾3个孩子的重任都由我太太承担了。

SciSharp Stack开源社区创办者 陈海平