ML.NET技术咨询：构建100层深度神经网络及通用输入输出NN语法

1. 创建处理float数组的100层深度神经网络 #

在ML.NET中，处理浮点数组输入的深度神经网络需先将数组转换为ML.NET支持的向量类型，再通过堆叠全连接（Dense）层构建深层网络。具体实现如下：

核心步骤 #

1. 数据类型转换：将float[]转为ML.NET标准的Vector<float>，这是神经网络输入输出的必需格式。
2. 堆叠深层网络：通过循环快速创建100层隐藏层，可灵活调整每层神经元数量、激活函数。

代码示例 #

// 初始化MLContext
var mlContext = new MLContext(seed: 42);

// 加载你已准备好的切片数据
IDataView dataView = mlContext.Data.LoadFromEnumerable<Data>(yourSliceList);

// 数据转换管道：将数组转为向量
var basePipeline = mlContext.Transforms.Conversion.ConvertType("InputVector", nameof(Data.Input), DataKind.Single)
    .Append(mlContext.Transforms.Conversion.ConvertType("LabelVector", nameof(Data.Output), DataKind.Single))
    .Append(mlContext.Transforms.NormalizeMinMax("NormalizedInput", "InputVector"));

// 构建100层深度神经网络
var dnnPipeline = basePipeline;
// 第一层隐藏层
dnnPipeline = dnnPipeline.Append(mlContext.Transforms.NeuralNetwork.Dense(
    outputColumnName: "HiddenLayer0",
    numberOfOutputs: 128, // 自定义每层神经元数
    inputColumnName: "NormalizedInput",
    activation: ActivationFunction.Relu));

// 循环添加99层隐藏层
for (int i = 1; i < 99; i++)
{
    dnnPipeline = dnnPipeline.Append(mlContext.Transforms.NeuralNetwork.Dense(
        outputColumnName: $"HiddenLayer{i}",
        numberOfOutputs: 128,
        inputColumnName: $"HiddenLayer{i-1}",
        activation: ActivationFunction.Relu));
}

// 输出层：匹配Output数组的维度
int outputDim = mlContext.Data.GetColumnCount("LabelVector");
dnnPipeline = dnnPipeline.Append(mlContext.Transforms.NeuralNetwork.Dense(
    outputColumnName: "PredictedOutput",
    numberOfOutputs: outputDim,
    inputColumnName: "HiddenLayer98",
    activation: ActivationFunction.Identity))
// 绑定回归训练器（若为分类任务则替换为对应训练器）
.Append(mlContext.Regression.Trainers.SdcaNonCalibrated(
    labelColumnName: "LabelVector",
    featureColumnName: "PredictedOutput"));

2. 通用输入输出神经网络的准确语法 #

针对数组类通用输入输出场景，核心是统一将数组转为ML.NET向量，构建与数据类型无关的Pipeline架构，无需依赖图像类专用转换。以下是适配你的Data类的完整通用实现：

通用Pipeline架构 #

// 1. 初始化上下文
var mlContext = new MLContext(seed: 42);

// 2. 加载数据（你已通过LoadFromEnumerable完成）
IDataView dataView = mlContext.Data.LoadFromEnumerable<Data>(yourSliceList);

// 3. 分割训练集（90%）和测试集（10%）
var trainTestSplit = mlContext.Data.TrainTestSplit(dataView, testFraction: 0.1);
var trainData = trainTestSplit.TrainSet;
var testData = trainTestSplit.TestSet;

// 4. 构建通用Pipeline
var universalPipeline = mlContext.Transforms.Conversion.ConvertType("InputVector", nameof(Data.Input), DataKind.Single)
    .Append(mlContext.Transforms.Conversion.ConvertType("LabelVector", nameof(Data.Output), DataKind.Single))
    .Append(mlContext.Transforms.NormalizeMinMax("NormalizedInput", "InputVector"))
    // 复用深层网络构建逻辑
    .Append(BuildUniversalDnn(mlContext, "NormalizedInput", "LabelVector", layerCount: 100, hiddenSize: 128))
    .Append(mlContext.Transforms.CopyColumns("PredictedOutput", "FinalOutput"));

// 5. 训练与评估
var model = universalPipeline.Fit(trainData);
var predictions = model.Transform(testData);
var metrics = mlContext.Regression.Evaluate(predictions, "LabelVector", "PredictedOutput");

通用深层网络构建方法 #

private static IEstimator<ITransformer> BuildUniversalDnn(MLContext mlContext, string inputCol, string labelCol, int layerCount, int hiddenSize)
{
    int outputDim = mlContext.Data.GetColumnCount(labelCol);
    var pipeline = mlContext.Transforms.NeuralNetwork.Dense(
        "HiddenLayer0", hiddenSize, inputCol, ActivationFunction.Relu);

    // 堆叠隐藏层
    for (int i = 1; i < layerCount; i++)
    {
        pipeline = pipeline.Append(mlContext.Transforms.NeuralNetwork.Dense(
            $"HiddenLayer{i}", hiddenSize, $"HiddenLayer{i-1}", ActivationFunction.Relu));
    }

    // 输出层匹配标签维度
    pipeline = pipeline.Append(mlContext.Transforms.NeuralNetwork.Dense(
        "FinalOutput", outputDim, $"HiddenLayer{layerCount-1}", ActivationFunction.Identity))
    // 绑定任务训练器（回归/分类可按需替换）
    .Append(mlContext.Regression.Trainers.SdcaNonCalibrated(labelCol, "FinalOutput"));

    return pipeline;
}

关键说明 #

• 通用适配：通过ConvertType将任意float[]列转为向量，支持所有数组类输入输出场景；
• Pipeline复用：将网络构建逻辑封装为独立方法，可根据输入输出维度动态调整；
• 任务切换：根据电路信号预测需求（回归/分类），替换对应的训练器即可。

内容的提问来源于stack exchange，提问作者CoffeDeveloper