在tf.estimator中构建inpu_fn解读

最新推荐文章于 2024-07-02 17:30:24 发布

vagrantabc2017

最新推荐文章于 2024-07-02 17:30:24 发布

阅读量8.7k

点赞数 1

分类专栏：深度学习文章标签： tensorflow 机器学习 python api numpy

本文链接：https://blog.csdn.net/vagrantabc2017/article/details/77482891

版权

本文详细解读了在tf.estimator中构建input_fn的方法，包括数据预处理和返回feature_cols, labels。介绍了如何将numpy数据转换为tensorflow对象，并探讨了SparseTensor的使用。同时，文章提到了几种传递input_fn给分类器的方法，如使用wrapper函数、functools.partial和lambda表达式。此外，通过波士顿房价预测示例展示了如何使用tf.estimator.DNNRegressor进行训练。" 86743561,8355408,战乱归途：寻找最短回家路线,"['图算法', '路径搜索', '数据结构', '问题解决']

摘要由CSDN通过智能技术生成

在tf.estimator中构建inpu_fn解读
https://www.tensorflow.org/get_started/input_fn

上一篇，讲了classifier的train等方法都需要一个输入管道，本篇来学习下。
input_fn方法是一类比较特殊的方法，它有一定的规定。函数名叫什么倒无所谓。
一般来讲，访方法做两件事：
1.数据预处理，如洗脏数据，归整数据等。没有就空着。
2.返回feature_cols, labels。这个是最重要的特点。
feature_cols：一个dict，key为feature名，value为feature值。
lables: 对应的分类标签。
不同的Lib有不同的对象，常见的为Numpy转tensorflow对象。pandas讨论较少，不谈。
比如：
import tensorflow as tf
import numpy as np
# numpy input_fn.

x_data =[{"feature1": 2, "features2":6},
{"feature1": 1, "features2":5},
{"feature1": 4, "features2":8}]
y_data = [2,3,4]

my_input_fn = tf.estimator.inputs.numpy_input_fn(
x={"x": np.array(x_data)},