张量流 - 特征列

Question

我对Tensor Flow比较陌生.这个功能列是什么？它如何影响培训？

当我实现如下代码时,此数字列将创建为要素列.我想了解使用方法.

feature_columns = [tf.feature_column.numeric_column("x", shape=[1])]

estimator = tf.estimator.LinearRegressor(feature_columns=feature_columns)

x_train = np.array([1., 2., 3., 4.])
y_train = np.array([0., -1., -2., -3.])
x_eval = np.array([2., 5., 8., 1.])
y_eval = np.array([-1.01, -4.1, -7, 0.])

input_fn = tf.estimator.inputs.numpy_input_fn(
    {"x": x_train}, y_train, batch_size=4, num_epochs=None, shuffle=True)
train_input_fn = tf.estimator.inputs.numpy_input_fn(
{"x": x_train}, y_train, batch_size=4, num_epochs=1000, shuffle=False)
eval_input_fn = tf.estimator.inputs.numpy_input_fn(
{"x": x_eval}, y_eval, batch_size=4, num_epochs=1000, shuffle=False)

estimator.train(input_fn=input_fn, steps=10000)
train_metrics = estimator.evaluate(input_fn=train_input_fn)
eval_metrics = estimator.evaluate(input_fn=eval_input_fn)
print("\n\ntrain metrics: %r"% train_metrics)
print("eval metrics: %r"% eval_metrics)

Answer 1

基于我可以从特征列的文档中收集到的内容,它们似乎用于将某种输入数据特征转换为可由回归或神经网络模型使用的连续变量.

例如,在回归中,如果我们有一个分类变量,通常首先将其转换为一组虚拟变量.tf.feature_column.indicator_column可用于为我们进行此转换.然后我们可以在feed dict中输入分类数据,并且内部会转换为虚拟变量.

在a的情况下,numeric_column不需要这样的转换,所以该类基本上就像a一样tf.placeholder.