第三章：新版tensorflow入门，处理特征列-CSDN博客

本文链接：https://blog.csdn.net/amao1998/article/details/80191978

1、概述

特征列是原始数据与模型之间进行链接的桥梁。一般来说，人工智能的本质是要进行权重与偏置的运算用来确定模型的形态。

在使用之前的tensorflow版本时，都需要预先将数据进行类型、分布的处理，才能被人工智能模型所使用。而特征列的出现则使得数据处理的工作变得简单的多。

2、特征列的作用

特征列主要解决对用户数据进行预处理与特征化的处理，这种技术的出现主要是原始输入数据的多样性。

如下图所示，您可以通过 Estimator（鸢尾花的 DNNClassifier）的 feature_columns 参数指定模型的输入。特征列在输入数据（由 input_fn 返回）与模型之间架起了桥梁。

3、使用特征列

在上面的例子中我们采用如下方式来定义特征列。

my_feature_columns = []
for key in train_x.keys():
    my_feature_columns.append(tf.feature_column.numeric_column(key=key))
print(my_feature_columns)

其中关键语句是

tf.feature_column.numeric_column(key=key)

要创建特征列，请调用 tf.feature_column 模块的函数。本文档介绍了该模块中的九个函数。如下图所示，所有九个函数都会返回一个 Categorical-Column 或一个 Dense-Column 对象，但却不会返回 bucketized_column，后者继承自这两个类：

数值型的特征列

tf.numeric_column（如下所示）也是一种将具有默认数据类型 (tf.float32) 的数值指定为模型输入的不错方式：

numeric_feature_column = tf.feature_column.numeric_column(key="SepalLength")

要指定一个非默认的数值数据类型，请使用 dtype 参数。例如：

numeric_feature_column = tf.feature_column.numeric_column(key="SepalLength",
                                                          dtype=tf.float64)

默认情况下，数值列会创建单个值（标量）。使用 shape 参数指定另一种形状。例如：

vector_feature_column = tf.feature_column.numeric_column(key="Bowling",shape=10)

matrix_feature_column = tf.feature_column.numeric_column(key="MyMatrix",shape=[10,5])