TensorFlow 深度学习 | Python 使用 TensorFlow 读取 CSV 文件并训练 DNN 模型

💖亲爱的技术爱好者们，热烈欢迎来到 Kant2048 的博客！我是 Thomas Kant，很开心能在CSDN上与你们相遇～💖

本博客的精华专栏：
【自动化测试】 【测试经验】 【人工智能】 【Python】

TensorFlow 深度学习：Python 使用 TensorFlow 读取 CSV 文件并训练 DNN 模型

在实际业务中，我们经常需要对 结构化数据（表格数据） 进行分类或预测。常见的数据格式就是 CSV 文件。在深度学习框架 TensorFlow 中，可以利用 全连接神经网络（DNN, Deep Neural Network） 来训练这些表格数据，从而解决分类或回归问题。

本文将带你从零开始，演示 如何使用 Python + TensorFlow 从 CSV 文件读取数据并训练 DNN 模型，并逐步扩展到 二分类、多分类与进阶优化（Dropout、BatchNormalization、EarlyStopping）。

📌 一、准备工作

在开始之前，确保安装好必要的依赖库：

pip install tensorflow pandas scikit-learn matplotlib

准备一个 CSV 文件，例如二分类数据：

feature1,feature2,feature3,label
5.1,3.5,1.4,0
4.9,3.0,1.4,0
6.2,3.4,5.4,1
5.9,3.0,5.1,1

其中 feature1, feature2, feature3 是特征，label 是类别（0/1）。

如果是多分类任务，label 可以是 0, 1, 2, ... 形式的整数标签。

📊 二、读取与预处理 CSV 数据

使用 pandas 读取数据，scikit-learn 进行标准化，并转为 tf.data.Dataset：

import pandas as pd
import tensorflow as tf
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 1. 读取 CSV 文件
data = pd.read_csv("dataset.csv")

# 2. 分离特征与标签
X = data.drop("label", axis=1).values
y = data["label"].values

# 3. 划分训练集 / 测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 4. 标准化特征
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 5. 转换为 TensorFlow Dataset
train_ds = tf.data.Dataset.from_tensor_slices((X_train, y_train)).batch(32).shuffle(100)
test_ds = tf.data.Dataset.from_tensor_slices((X_test, y_test)).batch(32)

这样，我们的数据就能直接送入神经网络模型进行训练。

🏗️ 三、搭建 DNN 模型

基础版（适合初学者）

一个简单的 二分类模型 可以写成：

from tensorflow.keras import layers

model = tf.keras.Sequential([
    layers.Dense(64, activation='relu', input_shape=(X_train.shape[1],)),
    layers.Dense(32, activation='relu'),
    layers.Dense(1, activation='sigmoid')  # 二分类
])

model.compile(optimizer='adam',
              loss='binary_crossentropy',
              metrics=[