如何使用 Tensorflow 在 Python 中定义特征列?
Tensorflow 可用于通过创建空列表并访问训练数据集的‘key’值并对其进行迭代来定义估算器模型的特征列。在迭代过程中,特征名称将附加到空列表中。
阅读更多: 什么是 TensorFlow,以及 Keras 如何与 TensorFlow 配合使用来创建神经网络?
我们将使用 Keras Sequential API,它有助于构建用于处理普通层堆栈的顺序模型,其中每个层都有一个输入张量和一个输出张量。
包含至少一个层的神经网络称为卷积层。我们可以使用卷积神经网络构建学习模型。
TensorFlow Text 包含可与 TensorFlow 2.0 一起使用的文本相关类和操作的集合。TensorFlow Text 可用于预处理序列建模。
我们正在使用 Google Colaboratory 运行以下代码。 Google Colab 或 Colaboratory 可帮助在浏览器上运行 Python 代码,无需配置,并可免费访问 GPU(图形处理单元)。Colaboratory 是在 Jupyter Notebook 之上构建的。
Estimator 是 TensorFlow 对完整模型的高级表示。它旨在轻松扩展和异步训练。
示例
print("为估计器模型构建特征列列表") my_feature_columns = [] for key in train.keys(): my_feature_columns.append(tf.feature_column.numeric_column(key=key))
代码来源 −https://www.tensorflow.org/tutorials/estimator/premade#first_things_first
输出
为估计器模型构建特征列列表
解释
特征列描述模型应如何使用特征字典中的原始输入数据。构建 Estimator 模型时,会将特征列列表传递给它。
它们描述了模型应使用的每个特征。
tf.feature_column 模块提供了许多选项来向模型表示数据。
我们构建了一个特征列列表,以告诉 Estimator 模型将四个特征中的每一个表示为 32 位浮点值。