如何在张量流中将字典转换为张量

Question

我正在关注有关 tensorflow 的教程：https ://www.tensorflow.org/tutorials/wide

有许多分类特征必须转换为稀疏矩阵tf.feature_column.categorical_column_with_vocabulary_list()。

但是，我不想使用预定义的 Estimator，

m = tf.estimator.LinearClassifier(
    model_dir=model_dir, feature_columns=base_columns + crossed_columns)

我更喜欢使用装扮的 NN 模型，它具有：

estimator = tf.contrib.learn.Estimator(model_fn=model)
estimator.fit(input_fn=input_fn(df, num_epochs=100, shuffle=True), \ 
              steps=100)

所以在model()，会有

 def model(features, labels, mode): 
    ...
    node = tf.add(tf.matmul(features, w), b)
    ...

然后，我收到了如下错误：

 TypeError: Failed to convert object of type <class 'dict'> to Tensor.
 Contents: {'education': <tf.Tensor
 'random_shuffle_queue_DequeueUpTo:1' shape=(?,) dtype=string>, 'age':
 <tf.Tensor 'random_shuffle_queue_DequeueUpTo:2' shape=(?,) dtype=float64> ... 

我的问题是如何将 转换features为可用作输入的张量。

希望我已经清楚地描述了这个问题。先感谢您。

Answer 1

features是一个字典，你可以通过likeTensor得到一个，但这仍然是类型，它仍然不能使用，你应该用like将你的字符串类型特征处理成数字特征。Tensorfeatures['education']Tensorstringtf.add(tf.matmul(features, w), b)tf.feature_column.categorical_column_with_vocabulary_list()

更新：

您可以查看官方的dnn 实现，def dnn_logit_fn部分它用于从和feature_column_lib.input_layer生成输入层，并且是 的列表。featurescolumnscolumnstf.feature_columns.*

当定义tf.feature_columns.*诸如 时tf.feature_column.categorical_column_with_vocabulary_list()，它接受必须存在于中的字符串features.keys()作为第一个参数，它将张量连接features到 feature_column 来告诉 tf 如何将原始输入（字符串）张量处理为特征张量（数字）。