Поиск объекта на изображении (Tensorflow)

void CreateNeuralNet()
        {
            //Load train data
            NDarray x = np.array(new float[,] { { 0, 0 }, { 0, 1 }, { 1, 0 }, { 1, 1 } });
            NDarray y = np.array(new float[] { 0, 1, 1, 0 });
 
            //Build 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"));
 
            //Compile and train
            model.Compile(optimizer: "sgd", loss: "binary_crossentropy", metrics: new string[] { "accuracy" });
            model.Fit(x, y, batch_size: 2, epochs: 1000, verbose: 1);
 
            //Save model and weights
            string json = model.ToJson();
            File.WriteAllText("model.json", json);
            model.SaveWeight("model.h5");
 
            //Load model and weight
            var loaded_model = Sequential.ModelFromJson(File.ReadAllText("model.json"));
            loaded_model.LoadWeight("model.h5");
 
            // тестируем сеть
            NDarray tx = np.array(new float[,] { { 1, 0 }, { 0, 1 } });
 
            for (int i = 0; i < 100; i++)
            {
                Stopwatch stw = Stopwatch.StartNew();
                var result = loaded_model.Predict(tx);
                stw.Stop();
                Console.WriteLine(stw.Elapsed.TotalMilliseconds.ToString());
            }
        }

 void CreateNeuralNetCNTK()
        {
            int object_count = 1; // количество объектов классификации
            NDShape inputDim = NDShape.CreateNDShape(new int[] { 2 }); // подается массив из 2 значений для XOR
            var outputDim = NDShape.CreateNDShape(new int[] { object_count }); // выходной массив классификатора в 4 варианта
 
            // входной слой данных
            var input_shape = CNTKLib.InputVariable(inputDim, DataType.Float, "features");
            var layer2 = CNTKHelper.Dense(input_shape, 32, DeviceDescriptor.CPUDevice, CNTKHelper.Activation.ReLU,"1");
            var layer3 = CNTKHelper.Dense(layer2, 64, DeviceDescriptor.CPUDevice, CNTKHelper.Activation.ReLU, "2");
            var classifierOutput = CNTKHelper.Dense(layer3, object_count, DeviceDescriptor.CPUDevice, CNTKHelper.Activation.Sigmoid, "3"); // конечная сеть
 
            var output_shape = CNTKLib.InputVariable(outputDim, DataType.Float, "labels");
 
            var lossFunction = CNTKLib.BinaryCrossEntropy(new Variable(classifierOutput), output_shape, "lossFunction");
            //var lossFunction = CNTKLib.CrossEntropyWithSoftmax(new Variable(classifierOutput), labels, "lossFunction");
 
            var prediction = CNTKLib.ClassificationError(new Variable(classifierOutput), output_shape, "classificationError");
 
            // set per sample learning rate
            CNTK.TrainingParameterScheduleDouble learningRatePerSample = new CNTK.TrainingParameterScheduleDouble(0.003125, 1);
 
            IList<Learner> parameterLearners = new List<Learner>() { Learner.SGDLearner(classifierOutput.Parameters(), learningRatePerSample) };
            var trainer = Trainer.CreateTrainer(classifierOutput, lossFunction, prediction, parameterLearners);
 
 
            // тренировка сети
            int epochs = 0;
            int prevErr = -1;
            double[] result = new double[object_count];
 
            List<Value> invalues = new List<Value>();
            invalues.Add(Value.CreateBatch(inputDim, new float[] { 0, 0 }, DeviceDescriptor.CPUDevice));
            invalues.Add(Value.CreateBatch(inputDim, new float[] { 0, 1 }, DeviceDescriptor.CPUDevice));
            invalues.Add(Value.CreateBatch(inputDim, new float[] { 1, 0 }, DeviceDescriptor.CPUDevice));
            invalues.Add(Value.CreateBatch(inputDim, new float[] { 1, 1 }, DeviceDescriptor.CPUDevice));
 
            List<Value> outvalues = new List<Value>();
            outvalues.Add(Value.CreateBatch(outputDim, new float[] { 0 }, DeviceDescriptor.CPUDevice));
            outvalues.Add(Value.CreateBatch(outputDim, new float[] { 1 }, DeviceDescriptor.CPUDevice));
            outvalues.Add(Value.CreateBatch(outputDim, new float[] { 1 }, DeviceDescriptor.CPUDevice));
            outvalues.Add(Value.CreateBatch(outputDim, new float[] { 0 }, DeviceDescriptor.CPUDevice));
 
            while (epochs++ < 1000) // 100 эпох безошибочности можно считать завершением обучения
            {
                for (int i = 0; i < invalues.Count; i++)
                {
                    var arguments = new Dictionary<Variable, Value>
                    {
                        { input_shape, invalues[i] },
                        { output_shape, outvalues[i] }
                    };
 
                    trainer.TrainMinibatch(arguments, true, DeviceDescriptor.CPUDevice);
 
                    var inputDataMap = new Dictionary<Variable, Value>() { { classifierOutput.Arguments.First(), invalues[i] } };
                    var outputDataMap = new Dictionary<Variable, Value>() { { classifierOutput.Outputs.First(), null } };
 
                    classifierOutput.Evaluate(inputDataMap, outputDataMap, DeviceDescriptor.CPUDevice);
                    var outputData = outputDataMap[classifierOutput].GetDenseData<float>(classifierOutput).First();
                    var expect = outvalues[i].GetDenseData<float>(classifierOutput).First();
                    
                }
 
 
            }
 
            for (int i = 0; i < invalues.Count; i++)
            {
                Stopwatch stw = Stopwatch.StartNew();                
                var inputDataMap = new Dictionary<Variable, Value>() { { classifierOutput.Arguments.First(), invalues[i] } };
                var outputDataMap = new Dictionary<Variable, Value>() { { classifierOutput.Outputs.First(), null } };
                classifierOutput.Evaluate(inputDataMap, outputDataMap, DeviceDescriptor.CPUDevice);
                var outputData = outputDataMap[classifierOutput].GetDenseData<float>(classifierOutput).First().First();
                var expect = outvalues[i].GetDenseData<float>(classifierOutput).First().First();
                stw.Stop();
 
                Console.WriteLine(stw.Elapsed.TotalMilliseconds.ToString());
            }
        }