【译】.NET/C# 中 NumSharp 数组切片功能

小渣渣

由于 NumSharp 出色的新数组切片功能，.NET 社区距离拥有强大的开源机器学习平台又近了一步。

Python 之所以成为机器学习语言，部分原因在于它拥有NumPy和TensorFlow等出色的库。然而，C# 开发人员也非常需要强大的机器学习和数据科学开源库。NumSharp是SciSharp STACK组织尽心尽力开发的 NumPy C# 端口，最近它又迈出了一大步，完全实现了切片功能，允许创建N 维数组的任意子集作为原始数据的高效视图。这使其成为与TensorFlow.NET结合使用 C# 进行机器学习的有用工具。

这有什么大不了的？

如果你没有用过 NumPy，你可能不知道切片有多棒。Python 数组允许通过索引一系列元素来返回数组的切片，如下所示：a[start:stop:step]。但只有使用 NumPy 复杂的数组实现，切片才会成为一种真正强大的数据操作技术，没有它，机器学习或数据科学就无法想象了。

幸运的是，对于那些不能或不想切换到 Python 进行机器学习的人（我也犯了这种错误），NumSharp 将这种能力带入了 .NET 世界。作为 NumSharp 的开发人员之一，我向您介绍了一些重要的切片用例，并附上了 C# 中的示例代码片段。请注意，由于语言语法的差异，在 C# 中无法以与 Python 相同的方式进行索引。然而，我们决定保留 Python 语法来进行切片定义，因此我们使用字符串来索引 C# 中的切片。查看此示例，看看 NumSharp 与 NumPy 有多接近。

在 Python/NumPy 中从矩阵中切出列

使用 NumSharp 用 C# 编写时，代码几乎相同。请注意，切片使用字符串作为索引器的参数进行索引时略有不同。

在 C#/NumSharp 中从矩阵中切出列

如您所见，NumSharp 团队付出了很多努力，使代码尽可能与 Python 相似。这非常重要，因为这样，依赖 NumPy 的现有 Python 代码现在可以轻松移植到 C#。

用例：使用同一数据的多个视图

能够仅将底层数据的局部部分（即大图像的小块）传入和传出函数而无需复制对于运行时性能至关重要，尤其是对于大数据集。切片使用本地坐标进行索引，因此您的算法不需要了解数据的全局结构，从而有效地简化您的生活并确保最高的性能，因为避免了不必要的复制。

用例：稀疏视图和递归切片

通过指定切片范围的开始和结束之外的步骤，可以创建数组的稀疏视图。据我所知，即使是具有新数组切片语法的 C# 8.0 也无法做到这一点。当处理交错数据时，此功能变得非常重要。您可以将算法设计为处理连续数据，并向其提供模拟连续数据源的稀疏切片，从而尽可能降低算法的复杂性。

切片可以进一步切片，如果你处理高维数据，这是一个非常重要的功能。这也有助于降低算法的复杂性，因为你可以通过递归切片来减少数据的维度。

用例：高效处理高维数据

如果您需要将数据数组视为一个卷，并处理其中的各个部分，而无需进行令人难以置信的坐标变换计算，那么它.reshape()就是您的朋友。
所有由或切片操作创建的数组都.reshape()只是原始数据的视图。当您迭代、读取或写入视图的元素时，您将访问原始数据数组。NumSharp 透明地为您执行适当的索引转换，因此您可以使用相对坐标对切片进行索引。

用例：无需额外成本即可反转元素的顺序

使用负数步长的切片实际上是反转切片的顺序。它的优点在于，它不需要复制或枚举数据即可完成此操作，就像 一样IEnumerable.Reverse()。不同之处在于，视图（操作 的结果a["::-1"]）以相反的顺序显示数据，并且您可以索引到该反转序列，而无需枚举它。

用例：通过减少维度来降低复杂性

当处理高维数据时，该数据的算法也会变得非常复杂。在使用可以输出任意高维体积.ToString()的 NumSharp 方法时NDArray，我注意到该算法通过系统地、递归地将 ND 体积切成 (N-1)D 体积等变得多么简单和优美。

这种分而治之的方法是通过使用 NumSharp 的索引符号对范围符号进行切片来返回低维子体积的。

范围符号与索引符号

范围符号 [“start:stop:step”] 允许您访问具有相同维度的给定体积的子范围。因此，即使只切出 2D 矩阵的一列，您仍然会得到只有一列的 2D 矩阵。以下是演示此操作的一小段 C# 代码：

使用范围符号对列进行切片

索引符号会为您提供 N 维父体积的指定位置处的 (N-1) 维切片。因此，使用索引符号从 2D 矩阵中切出一列会为您提供 1D 向量：

使用索引符号对列进行切片

如果你还没有一眼看出区别，下面是上面并排的两个切片定义，ange [":,2:3"]vs index [":,2"]，它们对结果有很大的影响。新切片符号的完整参考可在NumSharp wiki中找到。

附注：ArraySlice<T>

在实现 N 维视图的切片时，我得出结论，它可能对 .NET 中的许多其他领域都很有趣，所以我将其分解到自己的独立库中，称为SliceAndDice。它的特点是它是任何索引 C# 数据结构（如或）ArraySlice<T>的轻量级包装器，并允许您使用相同的重塑、切片和视图机制，而无需所有其他繁重的数值计算。它只用了几百行代码就实现了出色的切片功能！T[]IList<T>

概括

NumSharp最近被赋予了相同的切片和视图机制，这无疑使 NumPy 成为 Python 机器学习生态系统中最重要的库之一。SciSharp STACK是一个由少数熟练开发人员组成的开源组织，它非常努力地将同样的功能带入 .NET 世界。NumSharp 的最新改进是实现这一目标的重要基石。

原文：https://medium.com/scisharp/slicing-in-numsharp-e56c46826630

小渣渣

NumSharp适用于各种场景, 包括教育研究、金融分析、图像处理、深度学习等。

NumSharp作为SciSharp.org的一部分, 已经融入了广泛的.NET科学计算生态系统之中. 下面是一些相关且高度互补的项目, 推荐给您进一步探索:

ML.NET: Microsoft推出的开源机器学习框架, 用于训练和部署自定义的机器学习模型。
SciSharp.TensorFlow.Redist: 为.NET环境提供了TensorFlow的封装, 使开发者能够在.NET应用程序中使用TensorFlow执行深度学习任务。
MathNet.Numerics: 提供了一系列数学方法和统计计算工具, 与NumSharp相辅相成。

总之，NumSharp不仅是一个独立的强大库，而是连接.NET科学计算社区的关键节点。

NumSharp 项目地址：https://github.com/SciSharp/NumSharp