基于CNTK/C#实现逻辑回归【附源码】

---

前言

本文基于CNTK实现逻辑回归二分类，并以之前的不同，本次使用C#实现，不适用python，python版的CNTK比较简单，而且python版的cntk个人感觉没什么必要，毕竟是微软的框架因此本人强迫症犯了，所以使用C#实现CNTK
环境版本：
Visualstudio 2022
C# .net4.6
cntk 2.7
cuda 10.1

---

一、VS2022+CNTK环境搭建

首先把CNTK的需要的dll解压出来，可直接从此处免费下载：
CNTK安装
然后再项目上引入dll，如图：

---

二、逻辑回归代码构建

1.逻辑回归构建

从网上对逻辑回归的图的解释，可以使用CNTK很容易就可以构建逻辑回归的结构

private static Function CreateLinearModel(Variable input, int outputDim, DeviceDescriptor device)
{
    int inputDim = input.Shape[0];
    var weightParam = new Parameter(new int[] { outputDim, inputDim }, DataType.Float, 1, device, "w");
    var biasParam = new Parameter(new int[] { outputDim }, DataType.Float, 0, device, "b");

    return CNTKLib.Times(weightParam, input) + biasParam;
}

这里的可以简单的理解为y=kx+b的结构。

2.训练数据的生成

这里主要是每次训练的时候会生成一批数据，首先对输入批次/输出批次构建数组，然后使用随机数种子，生成一批数据，服从高斯分布随机数，注意这里的mean和std

private static double GenerateGaussianNoise(double mean, double stdDev, Random random)
{
     double u1 = 1.0 - random.NextDouble();
     double u2 = 1.0 - random.NextDouble();
     double stdNormalRandomValue = Math.Sqrt(-2.0 * Math.Log(u1)) * Math.Sin(2.0 * Math.PI * u2);
     return mean + stdDev * stdNormalRandomValue;
 }
 private static void GenerateRawDataSamples(int sampleSize, int inputDim, int numOutputClasses, out float[] features, out float[] oneHotLabels)
 {
     Random random = new Random(0);

     features = new float[sampleSize * inputDim];
     oneHotLabels = new float[sampleSize * numOutputClasses];

     for (int sample = 0; sample < sampleSize; sample++)
     {
         int label = random.Next(numOutputClasses);
         for (int i = 0; i < numOutputClasses; i++)
         {
             oneHotLabels[sample * numOutputClasses + i] = label == i ? 1 : 0;
         }

         for (int i = 0; i < inputDim; i++)
         {
             features[sample * inputDim + i] = (float)GenerateGaussianNoise(3, 1, random) * (label + 1);
         }
     }
 }

3.模型训练

static void Main(string[] args)
{
    //设置逻辑回归的输入和输出的量，三入二出，因逻辑回归基本是二分类，因此这里输出的是2
    int inputDim = 3;
    int numOutputClasses = 2;
    
    //使用GPU模块
    var device = DeviceDescriptor.GPUDevice(0);
    
    //设置输入输出
    Variable featureVariable = Variable.InputVariable(new int[] { inputDim }, DataType.Float);
    Variable labelVariable = Variable.InputVariable(new int[] { numOutputClasses }, DataType.Float);

    //网络结构的构建及损失计算，这里使用CNTK的Softmax
    var classifierOutput = CreateLinearModel(featureVariable, numOutputClasses, device);
    var loss = CNTKLib.CrossEntropyWithSoftmax(classifierOutput, labelVariable);
    var evalError = CNTKLib.ClassificationError(classifierOutput, labelVariable);
    
    //学习率的设置
    TrainingParameterScheduleDouble learningRatePerSample = new TrainingParameterScheduleDouble(0.02, 1);
    IList<Learner> parameterLearners = new List<Learner>() { Learner.SGDLearner(classifierOutput.Parameters(), learningRatePerSample) };

    //构建训练迭代器
    var trainer = Trainer.CreateTrainer(classifierOutput, loss, evalError, parameterLearners);

    //训练批次
    int minibatchSize = 64;
    int numMinibatchesToTrain = 10000;
    int updatePerMinibatches = 10;

    // 循环训练
    for (int minibatchCount = 0; minibatchCount < numMinibatchesToTrain; minibatchCount++)
    {
        Value features, labels;
        GenerateValueData(minibatchSize, inputDim, numOutputClasses, out features, out labels, device);

        trainer.TrainMinibatch(new Dictionary<Variable, Value>() { { featureVariable, features }, { labelVariable, labels } }, device);

        PrintTrainingProgress(trainer, minibatchCount, updatePerMinibatches);
    }
    Console.ReadLine();
}

---

三、效果展示