C# keras CSV特征张量和标签张量 创建自定义模型

### C# Keras 从 CSV 数据生成特征张量和标签张量并构建自定义模型 以下是一个完整的解决方案，展示如何使用 C# 和 Keras 从 CSV 文件中读取数据、生成特征张量和标签张量，并构建自定义模型。 --- ### 1. 从 CSV 文件加载数据 在 C# 中，可以通过 `System.IO` 或第三方库（如 `CsvHelper`）读取 CSV 文件。以下是使用 `CsvHelper` 的示例代码： ```csharp using System; using System.Collections.Generic; using System.IO; using CsvHelper; public class CsvDataLoader { public static (float[][], int[]) LoadCsv(string filePath) { var features = new List<float[]>(); var labels = new List<int>(); using (var reader = new StreamReader(filePath)) using (var csv = new CsvHelper.CsvReader(reader, System.Globalization.CultureInfo.InvariantCulture)) { csv.Read(); csv.ReadHeader(); while (csv.Read()) { // 假设第一列为标签，其余为特征 var label = csv.GetField<int>("Label"); var featureArray = new List<float>(); for (int i = 0; i < csv.Context.Record.Length - 1; i++) { featureArray.Add(float.Parse(csv.Context.Record[i + 1])); } features.Add(featureArray.ToArray()); labels.Add(label); } } return (features.ToArray(), labels.ToArray()); } } ``` **说明**： - 使用 `CsvHelper` 库解析 CSV 文件，假设第一列为标签，其余列为特征[^1]。 - 将特征和标签分别存储为二维数组和一维数组。 --- ### 2. 特征张量和标签张量的转换 将加载的数据转换为 TensorFlow 张量格式： ```csharp using Tensorflow; public class TensorConverter { public static (Tensor xTrain, Tensor yTrain) ConvertToTensors(float[][] features, int[] labels) { // 将特征转换为浮点型张量 var xTrain = tf.constant(features, dtype: tf.float32); // 将标签转换为整数型张量 var yTrain = tf.constant(labels, dtype: tf.int32); return (xTrain, yTrain); } } ``` **说明**： - 使用 `tf.constant` 方法将特征和标签转换为 TensorFlow 张量。 - 特征张量为浮点型，标签张量为整数型。 --- ### 3. 构建自定义模型 通过继承 `Model` 类实现自定义模型： ```csharp using Tensorflow; using Tensorflow.Keras.Layers; public class CustomModel : Model { private Dense denseLayer1; private Dense denseLayer2; private Dense outputLayer; public CustomModel() : base() { denseLayer1 = new Dense(128, activation: "relu"); denseLayer2 = new Dense(64, activation: "relu"); outputLayer = new Dense(10, activation: "softmax"); } public override Tensor Call(Tensor inputs, bool training = false) { var x = denseLayer1.Call(inputs, training); x = denseLayer2.Call(x, training); return outputLayer.Call(x, training); } } ``` **说明**： - 模型包含两个隐藏层和一个输出层，激活函数分别为 ReLU 和 Softmax[^3]。 - 使用 `Call` 方法定义前向传播逻辑。 --- ### 4. 模型编译与训练 编译模型并进行训练： ```csharp var model = new CustomModel(); model.Build(input_shape: new Shape(-1, 784)); // 输入形状为 (None, 784) model.Compile( optimizer: "adam", loss: "sparse_categorical_crossentropy", metrics: new[] { "accuracy" } ); // 加载数据并转换为张量 var (features, labels) = CsvDataLoader.LoadCsv("trainimgface.csv"); var (xTrain, yTrain) = TensorConverter.ConvertToTensors(features, labels); // 训练模型 model.Fit( x: xTrain, y: yTrain, epochs: 10, batch_size: 32 ); ``` **说明**： - 使用 Adam 优化器和稀疏分类交叉熵损失函数。 - 训练轮数设置为 10 轮，批次大小为 32。 --- ###