如何將字典轉換爲張量在tensorflow

Question

我對tensorflow教程如下：https://www.tensorflow.org/tutorials/wide

有許多具有轉換爲稀疏矩陣tf.feature_column.categorical_column_with_vocabulary_list()類別特徵。

，但我不想使用預定義的估計，

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

我更喜歡使用一個打扮的神經網絡模型，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()，將有

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

然後，我得到了如下錯誤：

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> ... 

我的問題是如何將features轉換爲可用作輸入的張量。

希望我已經說清楚了這個問題。先謝謝你。

Answer 1

特點是Tensor一個字典，你可以通過像features['education']得到Tensor，但這種Tensor仍然類型的string，它仍然無法使用tf.add(tf.matmul(features, w), b)，你應該處理您的字符串類型的特徵爲數字的功能，就如同tf.feature_column.categorical_column_with_vocabulary_list()。

更新：

您可以查看官方dnn implementation，在def dnn_logit_fn一部分，它使用feature_column_lib.input_layer從features和columns產生輸入層，和columns是tf.feature_columns.*列表。

當定義一個tf.feature_columns.*如tf.feature_column.categorical_column_with_vocabulary_list()，它接受其必須在feautres.keys()作爲第一參數存在的字符串時，它從features張量連接到feature_column告訴TF如何將原始輸入（字符串）張量加工成特徵張量（數字的）。