微软AI系列 C#中实现相似度计算涉及到加载图像、使用预训练的模型提取特征以及计算相似度_c# 搭建ai训练模型

在C#中实现相似度计算涉及到加载图像、使用预训练的模型提取特征以及计算相似度。你可以使用.NET中的深度学习库如TensorFlow.NET来加载预训练模型，提取特征，并进行相似度计算。

以下是一个使用TensorFlow.NET的示例：

using System;
using TensorFlow;
using TensorFlow.Image;
 
class Program
{
    static void Main(string[] args)
    {
        // 载入模型
        var model = new ResNet50();
 
        // 加载图像
        var image1 = ImageUtil.LoadTensorFromImageFile("image1.jpg");
        var image2 = ImageUtil.LoadTensorFromImageFile("image2.jpg");
 
        // 提取特征
        var feature1 = ExtractFeatures(image1, model);
        var feature2 = ExtractFeatures(image2, model);
 
        // 计算相似度
        var similarityScore = CalculateSimilarity(feature1, feature2);
        Console.WriteLine("图片相似度： " + similarityScore);
    }
 
    static TFTensor ExtractFeatures(TFTensor image, ResNet50 model)
    {
        // 预处理图像
        var processedImage = ImageUtil.ResizeAndCropCenter(image, model.InputHeight, model.InputWidth);
        processedImage = ImageUtil.Normalize(image, mean: model.Mean, std: model.Std);
 
        // 转换图像形状以匹配模型输入
        var reshapedImage = processedImage.Reshape(new long[] { 1, model.InputHeight, model.InputWidth, 3 });
 
        // 获取特征
        var features = model.Predict(reshapedImage);
 
        return features;
    }
 
    static double CalculateSimilarity(TFTensor feature1, TFTensor feature2)
    {
        // 使用余弦相似度计算特征之间的相似度
        var similarity = CosineSimilarity(feature1.ToArray<float>(), feature2.ToArray<float>());
        return similarity;
    }
 
    static double CosineSimilarity(float[] vector1, float[] vector2)
    {
        double dotProduct = 0.0;
        double magnitude1 = 0.0;
        double magnitude2 = 0.0;
        for (int i = 0; i < vector1.Length; i++)
        {
            dotProduct += vector1[i] * vector2[i];
            magnitude1 += Math.Pow(vector1[i], 2);
            magnitude2 += Math.Pow(vector2[i], 2);
        }
        magnitude1 = Math.Sqrt(magnitude1);
        magnitude2 = Math.Sqrt(magnitude2);
        return dotProduct / (magnitude1 * magnitude2);
    }
}

在这个示例中，我们使用了TensorFlow.NET库中的ResNet50模型来提取图像的特征表示。我们首先载入模型，然后加载图片并对其进行预处理，接着提取特征，并最后使用余弦相似度计算图片的相似度。

请确保在项目中包含了TensorFlow.NET的引用，并根据实际情况修改图片的路径以及模型的输入参数。

使用Python实现了同样的逻辑，可以对比 参考

import numpy as np
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications import ResNet50
from tensorflow.keras.applications.resnet50 import preprocess_input
from sklearn.metrics.pairwise import cosine_similarity
 
# 加载预训练的ResNet50模型
model = ResNet50(weights='imagenet', include_top=False, pooling='avg')
 
# 加载并预处理图像
def preprocess_image(img_path):
    img = image.load_img(img_path, target_size=(224, 224))
    x = image.img_to_array(img)
    x = np.expand_dims(x, axis=0)
    x = preprocess_input(x)
    return x
 
# 提取图像的特征向量
def extract_features(img_path, model):
    img = preprocess_image(img_path)
    features = model.predict(img)
    return features.flatten()
 
# 图像路径
image1_path = '/Users/AI/pythonsamples-main/ML/CNN(卷积神经网络)/ImageVector/houge.jpg'
image2_path = '/Users/AI/pythonsamples-main/ML/CNN(卷积神经网络)/ImageVector/zhipiao.jpg'
 
# 提取特征向量
features1 = extract_features(image1_path, model)
features2 = extract_features(image2_path, model)
 
# 计算余弦相似度
similarity = cosine_similarity([features1], [features2])[0][0]
print("相似度:", similarity)

结果：