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)},
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)},