C# TensorFlow.NET神经网络模型 获取csv数据拆分训练集和测试集并打印

<think>我们使用TensorFlow.NET（一个TensorFlow的C#绑定）来构建神经网络模型。首先，我们需要安装必要的NuGet包，包括：-TensorFlow.NET-NumSharp（用于类似NumPy的操作）-SciSharp.TensorFlow.Redist（TensorFlow本地库）步骤：1.读取CSV文件：使用`StreamReader`逐行读取，解析数据。2.数据预处理：将数据拆分为特征和标签，并转换为TensorFlow可用的格式（如`NDArray`或`Tensor`）。3.拆分训练集和测试集：按比例拆分（如80%训练，20%测试）。4.构建神经网络模型：使用TensorFlow.NET的API构建模型。5.训练模型：使用训练集训练模型。6.评估模型：使用测试集评估模型性能。7.打印数据集信息：在控制台输出训练集和测试集的基本信息。下面是一个完整的示例代码：</think>以下是使用 C# 和 TensorFlow.NET 构建神经网络模型，从 CSV 文件读取数据、拆分训练集/测试集并打印的完整示例： ```csharp using System; using System.IO; using System.Linq; using Tensorflow; using Tensorflow.Keras.Utils; using static Tensorflow.Binding; using Tensorflow.Keras.Layers; using Tensorflow.Keras.Optimizers; using Tensorflow.Keras.Engine; class Program { static void Main() { // 1. 读取CSV数据 var (features, labels) = ReadCsvData("data.csv"); Console.WriteLine($"成功加载数据: {features.shape[0]} 条记录"); // 2. 拆分训练集和测试集 (80%训练, 20%测试) var splitIndex = (int)(features.shape[0] * 0.8); var trainFeatures = features[new Slice(0, splitIndex)]; var testFeatures = features[new Slice(splitIndex)]; var trainLabels = labels[new Slice(0, splitIndex)]; var testLabels = labels[new Slice(splitIndex)]; // 3. 打印数据集信息 PrintDatasetInfo(trainFeatures, trainLabels, "训练集"); PrintDatasetInfo(testFeatures, testLabels, "测试集"); // 4. 创建神经网络模型 var model = BuildModel(inputShape: (int)features.shape[1]); // 5. 编译模型 model.compile( optimizer: new Adam(0.001f), loss: tf.keras.losses.SparseCategoricalCrossentropy(), metrics: new[] { "accuracy" } ); // 6. 训练模型 model.fit( trainFeatures, trainLabels, batch_size: 32, epochs: 10, validation_split: 0.1f ); // 7. 评估模型并打印结果 EvaluateModel(model, testFeatures, testLabels); } static (Tensor, Tensor) ReadCsvData(string path) { // 使用 StreamReader 读取 CSV 文件 [^1] var lines = File.ReadAllLines(path).Skip(1); // 跳过标题行 var data = lines.Select(line => line.Split(',') .Select(float.Parse) .ToArray() ).ToArray(); // 分离特征和标签 var features = data.Select(d => d.Take(d.Length - 1).ToArray()).ToArray(); var labels = data.Select(d => d.Last()).ToArray(); // 转换为 TensorFlow 张量 return ( tf.constant(features), tf.constant(labels) ); } static Sequential BuildModel(int inputShape) { // 创建神经网络模型 var model = new Sequential(); model.add(new Dense(64, activation: "relu", input_shape: inputShape)); model.add(new Dense(32, activation: "relu")); model.add(new Dense(2, activation: "softmax")); // 假设二分类问题 return model; } static void PrintDatasetInfo(Tensor features, Tensor labels, string name) { Console.WriteLine($"\n{name}信息:"); Console.WriteLine($"- 样本数: {features.shape[0]}"); Console.WriteLine($"- 特征数: {features.shape[1]}"); Console.WriteLine($"- 前3条数据:"); var featureArray = features.numpy(); var labelArray = labels.numpy(); for (int i = 0; i < Math.Min(3, featureArray.shape[0]); i++) { Console.WriteLine($" 输入: [{string.Join(", ", featureArray[i].ToArray<float>())}] " + $"输出: {labelArray[i]}"); } } static void EvaluateModel(Sequential model, Tensor testFeatures, Tensor testLabels) { Console.WriteLine("\n模型评估结果:"); var results = model.evaluate(testFeatures, testLabels); Console.WriteLine($"测试损失: {results[0]:F4}"); Console.WriteLine($"测试准确率: {results[1]:P}"); Console.WriteLine("\n测试集预测样例:"); var predictions = model.predict(testFeatures); var predictionArray = predictions.numpy(); var labelArray = testLabels.numpy(); Console.WriteLine("索引\t实际值\t预测值"); for (int i = 0; i < Math.Min(5, predictionArray.shape[0]); i++) { var predicted = predictionArray[i].ToArray<float>().ToList().IndexOf( predictionArray[i].ToArray<float>().Max()); Console.WriteLine($"{i}\t{labelArray[i]}\t{predicted}"); } } } ``` ### 实现说明 1. **数据读取** - 使用 `File.ReadAllLines` 读取 CSV 文件 [^1] - 跳过标题行并解析数值数据 - 示例 CSV 格式： ``` Feature1,Feature2,Feature3,Label 0.12,0.34,0.56,1 0.23,0.45,0.67,0 ... ``` 2. **数据集拆分** - 按 80% 训练集 / 20% 测试集比例拆分 - 使用 TensorFlow 的切片操作 `Slice` - 打印数据集统计信息 3. **神经网络构建** - 创建包含 3 层的神经网络： - 输入层：尺寸自动匹配特征数量 - 隐藏层：64 个神经元 (ReLU 激活) - 隐藏层：32 个神经元 (ReLU 激活) - 输出层：2 个神经元 (Softmax 激活，适用于二分类) 4. **模型训练** - 使用 Adam 优化器 (学习率 0.001) - 稀疏分类交叉熵损失函数 - 训练 10 个 epoch，批量大小 32 - 使用 10% 训练数据作为验证集 5. **结果打印** - 输出测试损失和准确率 - 显示测试集前 5 个样本的实际值和预测值 ### 使用准备 1. **安装 NuGet 包**: ```bash Install-Package TensorFlow.NET Install-Package SciSharp.TensorFlow.Redist ``` 2. **CSV 文件要求**: - 第一行为标题行 - 最后一列为标签列 - 数值格式（标签可以是整数或浮点数） ### 示例输出 ``` 成功加载数据: 1000 条记录 训练集信息: - 样本数: 800 - 特征数: 3 - 前3条数据: 输入: [0.12, 0.34, 0.56] 输出: 1 输入: [0.23, 0.45, 0.67] 输出: 0 输入: [0.31, 0.22, 0.89] 输出: 1 测试集信息: - 样本数: 200 - 特征数: 3 - 前3条数据: 输入: [0.42, 0.55, 0.71] 输出: 0 输入: [0.15, 0.33, 0.92] 输出: 1 输入: [0.27, 0.49, 0.63] 输出: 0 Epoch 1/10: loss: 0.6823 - accuracy: 0.5712 - val_loss: 0.6711 - val_accuracy: 0.6250 ... Epoch 10/10: loss: 0.3215 - accuracy: 0.8637 - val_loss: 0.2854 - val_accuracy: 0.8875 模型评估结果: 测试损失: 0.3021 测试准确率: 85.50% 测试集预测样例: 索引 实际值 预测值 0 0 0 1 1 1 2 0 1 3 1 1 4 0 0 ```