小编Nic*_*ais的帖子

在我的功能工程期间，发生了以下错误。我的功能列表有 21 个子列表，每个 8537 个值是 0 或 1。当尝试通过 tensorflow 运行 One Hot Encoding 时，它显示错误Could not find valid device for node 有没有人有快速修复错误的方法？

for feature in featurelist[1:]:
    df = tensorflow.convert_to_tensor(feature, dtype=tensorflow.float32)
    print(df)
    df_enc = tensorflow.one_hot(df, 2, on_value=None, off_value=None, axis=None, dtype=None, name=None)
    print(df_enc)

2020-05-29 15:08:41.969878: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x7fdefbc23d50 initialized for platform Host (this does not guarantee that XLA will be used). Devices:
2020-05-29 15:08:41.969919: I tensorflow/compiler/xla/service/service.cc:176]   StreamExecutor device (0): Host, Default Version
tf.Tensor([0. 0. 0. ... 0. 0. 0.], shape=(8537,), …

我正在尝试直接从 tensorflow 数据集加载“iris”数据集，但我被卡住了。我习惯于使用 CSV。

import tensorflow as tf
import tensorflow_datasets as tfds

data = tfds.load("iris",split='train[:80%]', as_supervised=True)
data = data.batch(10)
features, labels = data

我不知道我应该如何分离特征 X，y。标签与特征的张量不同，但我不知道如何访问它们以使用它们。我想对标签进行热编码并将它们输入模型，但我被困在这里。

tensorflow 文档很少提供有关如何执行此操作的信息。任何帮助深表感谢

大家好，我正在使用 Tensorflow 开发情绪分析，使用一些基于亚马逊电子产品的评论。在代码中，我遇到了一个错误。我使用 tensorflow 数据集来检索一些文本，但无法检索。这是代码的一部分，包含以下错误：

tokenizer = tfds.features.text.Tokenizer()

vocabulary_set = set()
for _, reviews in train_dataset.enumerate():
review_text = reviews['data']
reviews_tokens = tokenizer.tokenize(review_text.get('review_body').numpy())
vocabulary_set.update(reviews_tokens)
vocab_size = len(vocabulary_set)
vocab_size

我从这里得到的错误是属性错误

AttributeError                            Traceback (most recent call last)
<ipython-input-17-1c32dce13853> in <module>()
----> 1 tokenizer = tfds.features.text.Tokenizer()
AttributeError: module 'tensorflow_datasets.core.features' has no attribute 'text'

请问我该如何解决这个错误？谢谢

我有一个像这样的 DataFrame，我试图用 Sankey 图来描述它：

import pandas as pd

pd.DataFrame({
    'animal': ['dog', 'cat', 'cat', 'dog', 'cat'],
    'sex': ['male', 'female', 'female', 'male', 'male'],
    'status': ['wild', 'domesticated', 'domesticated', 'wild', 'domesticated'],
    'count': [8, 10, 11, 14, 6]
})

    animal  sex     status          count
0   dog     male    wild            8
1   cat     female  domesticated    10
2   cat     female  domesticated    11
3   dog     male    wild            14
4   cat     male    domesticated    6

我试图按照文档中的步骤操作，但无法使其工作 - 我无法理解哪些分支在哪里。这是示例代码：

import plotly.graph_objects as go

fig = go.Figure(data=[go.Sankey(
    node = dict(
      pad = 15, …

在pytorch中，如果我定义一个单元素张量如下：

>>> import torch
>>> target1 = torch.tensor([5])

我可以像这样提取一个元素的值：

>>> target1.item()
5

我想知道的是，当我的张量定义为：

target2 = torch.tensor([[5], [5], [5], [5]])

是否有某种方法（类似于或不类似于上面的.item()）将其所有条目提取到一个列表中，例如：

>>> target2.(something)
[5, 5, 5, 5]

我似乎无法在支持此类操作的文档中找到任何功能。

我很好奇如何sklearn处理连续变量sklearn.tree.DecisionTreeClassifier？我尝试使用一些连续变量而不使用 进行预处理DecisionTreeClassifier，但它获得了可接受的精度。

下面是一种将连续变量转换为分类变量的方法，但它不能获得相同的精度。

def preprocess(data, min_d, max_d, bin_size=3):

    norm_data = np.clip((data - min_d) / (max_d - min_d), 0, 1)
    categorical_data = np.floor(bin_size*norm_data).astype(int)
    return categorical_data


X = preprocess(X, X.min(), X.max(), 3)

此时间戳用于记录错误。

import os.path
import datetime

timestamp = datetime.datetime.now().strftime('%Y-%m-%d')

试图搜索，但无法找到与此相关的任何内容。我想知道你什么时候使用双日期时间方法？

我将特征分离X，y然后在使用 k 折交叉验证将其拆分后预处理我的火车测试数据。之后，我将训练数据拟合到我的随机森林回归模型并计算置信度分数。拆分后为什么要预处理？因为人们告诉我这样做更正确，并且为了我的模型性能，我一直保持这个原则。

这是我第一次使用 KFold 交叉验证，因为我的模型分数过高，我想我可以通过交叉验证来修复它。我仍然对如何使用它感到困惑，我已经阅读了文档和一些文章，但我并没有真正理解我如何真正将它暗示给我的模型，但我还是尝试了，我的模型仍然过度拟合。使用训练测试拆分或交叉验证导致我的模型分数仍然是 0.999，我不知道我的错误是什么，因为我是使用这种方法的新手，但我想也许我做错了，所以它不能修复过度拟合。请告诉我我的代码有什么问题以及如何解决这个问题

import pandas as pd
import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
from sklearn.impute import SimpleImputer
from sklearn.model_selection import train_test_split
from sklearn.model_selection import KFold
from sklearn.preprocessing import LabelEncoder
from sklearn.ensemble import RandomForestRegressor
import scipy.stats as ss
avo_sales = pd.read_csv('avocados.csv')

avo_sales.rename(columns = {'4046':'small PLU sold',
                            '4225':'large PLU sold',
                            '4770':'xlarge PLU sold'},
                 inplace= True)

avo_sales.columns = avo_sales.columns.str.replace(' ','')
x = np.array(avo_sales.drop(['TotalBags','Unnamed:0','year','region','Date'],1))
y = np.array(avo_sales.TotalBags)

# X_train, X_test, …

我想为列表中的每个单词添加一个前缀。像这样：

mywords = ['word1', 'word2', 'word3']
['prefix'.join(word) for word in mywords]

如果我运行这个，单词中的每个字母都有前缀。有没有办法确保我得到

['prefixword1', 'prefixword2' etc.]

我制作了一个 TensorFlow CsvDataset，我正在尝试对数据进行标记：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'
from tensorflow import keras
import tensorflow as tf
from tensorflow.keras.preprocessing.text import Tokenizer
import os
os.chdir('/home/nicolas/Documents/Datasets')

fname = 'rotten_tomatoes_reviews.csv'


def preprocess(target, inputs):
    tok = Tokenizer(num_words=5_000, lower=True)
    tok.fit_on_texts(inputs)
    vectors = tok.texts_to_sequences(inputs)
    return vectors, target


dataset = tf.data.experimental.CsvDataset(filenames=fname,
                                          record_defaults=[tf.int32, tf.string],
                                          header=True).map(preprocess)

运行这个，给出以下错误：

ValueError: len 需要一个非标量张量，得到一个形状 Tensor("Shape:0", shape=(0,), dtype=int32)

我尝试过的：几乎任何可能性领域。请注意，如果我删除预处理步骤，一切都会运行。

数据是什么样的：

(<tf.Tensor: shape=(), dtype=int32, numpy=1>,
 <tf.Tensor: shape=(), dtype=string, numpy=b" Some movie critic review...">)