tf.data.Dataset.from_tensor_slices，张量和渴望模式

Question

使用虹膜数据集示例：

train_ds_url = "http://download.tensorflow.org/data/iris_training.csv"

使用的进口商品：

import tensorflow as tf
import pandas as pd
import numpy as np
tf.enable_eager_execution()

我下载的数据集，然后我用pd.read表示 train_plantfeatures， train_categories阵列。

categories='Plants'

train_path = tf.keras.utils.get_file(train_ds_url.split('/')[-1], train_ds_url)

train = pd.read_csv(train_path, names=ds_columns, header=0)
train_plantfeatures, train_categories = train, train.pop(categories)

之后，我用来tf.contrib.keras.utils.to_categorical创建分类表示。

y_categorical = tf.contrib.keras.utils.to_categorical(train_categories, num_classes=3)

当我尝试使用tf.data.Dataset和from_tensor_slices

dataset = tf.data.Dataset.from_tensor_slices((train_plantfeatures, y_categorical))

我收到了：

ValueError：无法将非矩形Python序列转换为Tensor。

没有急切模式的相同实现完美工作。以下是Colab示例

Answer 1

该from_tensor_slices()方法接收Numpy数组作为输入。但是在这种情况下，变量train_plantfeatures是Pandas DataFrame。

type(train_plantfeatures)
`Out:` pandas.core.frame.DataFrame

要使其工作，请添加.values从Pandas到Numpy的转换：

dataset = tf.data.Dataset.from_tensor_slices((train_plantfeatures.values,
                                              y_categorical))

对test_plantfeatures变量执行相同的操作：

dataset_test = tf.data.Dataset.from_tensor_slices((test_plantfeatures.values, 
                                                   y_categorical_test))