【学习笔记】字符串转化为特征

在嵌套的练习中，我们首先要处理下tfrecord格式的文件，关于tfrecord的处理建议看一下这篇文章

我们这里主要讲解一下对于得到的字符串如何转化为特征输入。

先给出这次练习的： 训练集  验证集

我这里创建一个输入字典：

num = {'numbers': ['1', '1', '2', '3', '4', '5', '6'], 'prime': ['2', '3', '5', '7']}

再创立一个词汇表：

lst = ('1', '2')

下一步用词汇表返还字典的结果：

column = tf.feature_column.categorical_column_with_vocabulary_list(key='numbers', vocabulary_list=lst)

indicator = tf.feature_column.indicator_column(column)

tensor = tf.feature_column.input_layer(num, [indicator])

我们打印出结果看看：

with tf.Session() as sess:
    sess.run(tf.tables_initializer())
    print(sess.run(tensor))

[[1. 0.]
 [1. 0.]
 [0. 1.]
 [0. 0.]
 [0. 0.]
 [0. 0.]
 [0. 0.]]

我们这里很明显可以看出，对于num字典只处理了key为numbers的values()

我们这里字典的长度为2, num中numbers的长度为7，返回的结果的shape是(7,2)

如果在神经网络中我们输入的字典shape为(None)  这里None表示为不定长。 字典长度为50,那么返回的结果为(None, 50)

很明显这不是我们想要的。

 

这里我们更改一下写法：</