文章目錄

• • 1、數據集
  • • 1.1 使用 Pandas 從csv創建一個 dataframe
    • 1.2 將 dataframe 拆分為訓練、驗證和測試集
    • 1.3 用 tf.data 創建輸入流水線Dataset
    • 1.4 理解輸入流水線
  • 2、特征列 feature_column
  • • 2.1 數值列
    • 2.2 分桶列
    • 2.3 分類列
    • 2.4 嵌入列
    • 2.5 經過哈希處理的特征列
    • 2.6 組合的特征列
    • 2.7 選擇要使用的列
  • 3、構建&運行模型
  • • 3.1 建立一個新的特征層
    • 3.2 創建，編譯和訓練模型
  • 4、完整代碼
  • 5、另一個簡單例子

本文主要內容來自：https://www.tensorflow.org/tutorials/structured_data/feature_columns?hl=zh-cn

本教程演示了如何對結構化數據進行分類（例如，CSV 中的表格數據）。我們將使用 Keras 來定義模型，將特征列（feature columns） 作為從 CSV 中的列（columns）映射到用于訓練模型的特征（features）的橋梁。本教程包括了以下內容的完整代碼：

用 Pandas 導入 CSV 文件。
用 tf.data 建立了一個輸入流水線（pipeline），用于對行進行分批（batch）和隨機排序（shuffle）。
用特征列將 CSV 中的列映射到用于訓練模型的特征。
用 Keras 構建，訓練并評估模型。

1、數據集

我們將使用一個小型 數據集，該數據集由克利夫蘭心臟病診所基金會（Cleveland Clinic Foundation for Heart Disease）提供。CSV 中有幾百行數據。每行描述了一個病人（patient），每列描述了一個屬性（attribute）。我們將使用這些信息來預測一位病人是否患有心臟病，這是在該數據集上的二分類任務。

import numpy as np import pandas as pdimport tensorflow as tffrom tensorflow import feature_column from tensorflow.keras import layers from sklearn.model_selection import train_test_split

1.1 使用 Pandas 從csv創建一個 dataframe

Pandas 是一個 Python 庫，它有許多有用的實用程序，用于加載和處理結構化數據。我們將使用 Pandas 從 URL下載數據集，并將其加載到 dataframe 中。

URL = 'https://storage.googleapis.com/applied-dl/heart.csv' dataframe = pd.read_csv(URL) dataframe.head() agesexcptrestbpscholfbsrestecgthalachexangoldpeakslopecathaltarget01234

63	1	1	145	233	1	2	150	0	2.3	3	0	fixed	0
67	1	4	160	286	0	2	108	1	1.5	2	3	normal	1
67	1	4	120	229	0	2	129	1	2.6	2	2	reversible	0
37	1	3	130	250	0	0	187	0	3.5	3	0	normal	0
41	0	2	130	204	0	2	172	0	1.4	1	0	normal	0

1.2 將 dataframe 拆分為訓練、驗證和測試集

我們下載的數據集是一個 CSV 文件。 我們將其拆分為訓練、驗證和測試集。

train, test = train_test_split(dataframe, test_size=0.2) train, val = train_test_split(train, test_size=0.2) print(len(train), 'train examples') print(len(val), 'validation examples') print(len(test), 'test examples') 193 train examples 49 validation examples 61 test examples

1.3 用 tf.data 創建輸入流水線Dataset

接下來，我們將使用 tf.data 包裝 dataframe。這讓我們能將特征列作為一座橋梁，該橋梁將 Pandas dataframe 中的列映射到用于訓練模型的特征。如果我們使用一個非常大的 CSV 文件（非常大以至于它不能放入內存），我們將使用 tf.data 直接從磁盤讀取它。本教程不涉及這一點。

# 一種從 Pandas Dataframe 創建 tf.data 數據集的實用程序方法（utility method） def df_to_dataset(dataframe, shuffle=True, batch_size=32):dataframe = dataframe.copy()labels = dataframe.pop('target')ds = tf.data.Dataset.from_tensor_slices((dict(dataframe), labels))if shuffle:ds = ds.shuffle(buffer_size=len(dataframe))ds = ds.batch(batch_size)return ds batch_size = 5 # 小批量大小用于演示 train_ds = df_to_dataset(train, batch_size=batch_size) val_ds = df_to_dataset(val, shuffle=False, batch_size=batch_size) test_ds = df_to_dataset(test, shuffle=False, batch_size=batch_size)

1.4 理解輸入流水線

現在我們已經創建了輸入流水線，讓我們調用它來查看它返回的數據的格式。 我們使用了一小批量大小來保持輸出的可讀性。

for feature_batch, label_batch in train_ds.take(1):print('Every feature:', list(feature_batch.keys()))print('A batch of ages:', feature_batch['age'])print('A batch of targets:', label_batch ) Every feature: ['age', 'sex', 'cp', 'trestbps', 'chol', 'fbs', 'restecg', 'thalach', 'exang', 'oldpeak', 'slope', 'ca', 'thal'] A batch of ages: tf.Tensor([51 56 42 54 46], shape=(5,), dtype=int64) A batch of targets: tf.Tensor([0 0 0 1 0], shape=(5,), dtype=int64)

我們可以看到數據集返回了一個字典，該字典從列名稱（來自 dataframe）映射到 dataframe 中行的列值。

2、特征列 feature_column

TensorFlow 提供了多種特征列。本節中，我們將創建幾類特征列，并演示特征列如何轉換 dataframe 中的列。

# 我們將使用該批數據演示幾種特征列 example_batch = next(iter(train_ds))[0] # 用于創建一個特征列 # 并轉換一批次數據的一個實用程序方法 def demo(feature_column):feature_layer = layers.DenseFeatures(feature_column)print(feature_layer(example_batch).numpy())

2.1 數值列

一個特征列的輸出將成為模型的輸入（使用上面定義的 demo 函數，我們將能準確地看到 dataframe 中的每列的轉換方式）。 數值列（numeric column） 是最簡單的列類型。它用于表示實數特征。使用此列時，模型將從 dataframe 中接收未更改的列值。

age = feature_column.numeric_column("age") demo(age) WARNING:tensorflow:Layer dense_features is casting an input tensor from dtype float64 to the layer's dtype of float32, which is new behavior in TensorFlow 2. The layer has dtype float32 because its dtype defaults to floatx.If you intended to run this layer in float32, you can safely ignore this warning. If in doubt, this warning is likely only an issue if you are porting a TensorFlow 1.X model to TensorFlow 2.To change all layers to have dtype float64 by default, call `tf.keras.backend.set_floatx('float64')`. To change just this layer, pass dtype='float64' to the layer constructor. If you are the author of this layer, you can disable autocasting by passing autocast=False to the base Layer constructor.[[62.][52.][40.][59.][56.]]

在這個心臟病數據集中，dataframe 中的大多數列都是數值列。

2.2 分桶列

通常，您不希望將數字直接輸入模型，而是根據數值范圍將其值分成不同的類別?？紤]代表一個人年齡的原始數據。我們可以用 分桶列（bucketized column）將年齡分成幾個分桶（buckets），而不是將年齡表示成數值列。請注意下面的 one-hot 數值表示每行匹配的年齡范圍。

age_buckets = feature_column.bucketized_column(age, boundaries=[18, 25, 30, 35, 40, 45, 50, 55, 60, 65]) demo(age_buckets) WARNING:tensorflow:Layer dense_features_1 is casting an input tensor from dtype float64 to the layer's dtype of float32, which is new behavior in TensorFlow 2. The layer has dtype float32 because its dtype defaults to floatx.If you intended to run this layer in float32, you can safely ignore this warning. If in doubt, this warning is likely only an issue if you are porting a TensorFlow 1.X model to TensorFlow 2.To change all layers to have dtype float64 by default, call `tf.keras.backend.set_floatx('float64')`. To change just this layer, pass dtype='float64' to the layer constructor. If you are the author of this layer, you can disable autocasting by passing autocast=False to the base Layer constructor.[[0. 0. 0. 0. 0. 0. 0. 0. 0. 1. 0.][0. 0. 0. 0. 0. 0. 0. 1. 0. 0. 0.][0. 0. 0. 0. 0. 1. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 1. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 1. 0. 0.]]

2.3 分類列

在此數據集中，thal 用字符串表示（如 ‘fixed’，‘normal’，或 ‘reversible’）。我們無法直接將字符串提供給模型。相反，我們必須首先將它們映射到數值。分類詞匯列（categorical vocabulary columns）提供了一種用 one-hot 向量表示字符串的方法（就像您在上面看到的年齡分桶一樣）。詞匯表可以用 categorical_column_with_vocabulary_list 作為 list 傳遞，或者用 categorical_column_with_vocabulary_file 從文件中加載。

thal = feature_column.categorical_column_with_vocabulary_list('thal', ['fixed', 'normal', 'reversible'])thal_one_hot = feature_column.indicator_column(thal) demo(thal_one_hot) WARNING:tensorflow:Layer dense_features_2 is casting an input tensor from dtype float64 to the layer's dtype of float32, which is new behavior in TensorFlow 2. The layer has dtype float32 because its dtype defaults to floatx.If you intended to run this layer in float32, you can safely ignore this warning. If in doubt, this warning is likely only an issue if you are porting a TensorFlow 1.X model to TensorFlow 2.To change all layers to have dtype float64 by default, call `tf.keras.backend.set_floatx('float64')`. To change just this layer, pass dtype='float64' to the layer constructor. If you are the author of this layer, you can disable autocasting by passing autocast=False to the base Layer constructor.[[0. 1. 0.][0. 0. 1.][0. 0. 1.][0. 0. 1.][0. 1. 0.]]

在更復雜的數據集中，許多列都是分類列（如 strings）。在處理分類數據時，特征列最有價值。盡管在該數據集中只有一列分類列，但我們將使用它來演示在處理其他數據集時，可以使用的幾種重要的特征列。

2.4 嵌入列

假設我們不是只有幾個可能的字符串，而是每個類別有數千（或更多）值。 由于多種原因，隨著類別數量的增加，使用 one-hot 編碼訓練神經網絡變得不可行。我們可以使用嵌入列來克服此限制。嵌入列（embedding column）將數據表示為一個低維度密集向量，而非多維的 one-hot 向量，該低維度密集向量可以包含任何數，而不僅僅是 0 或 1。嵌入的大小（在下面的示例中為 8）是必須調整的參數。

關鍵點：當分類列具有許多可能的值時，最好使用嵌入列。我們在這里使用嵌入列用于演示目的，為此您有一個完整的示例，以在將來可以修改用于其他數據集。

# 注意到嵌入列的輸入是我們之前創建的類別列 thal_embedding = feature_column.embedding_column(thal, dimension=8) demo(thal_embedding) WARNING:tensorflow:Layer dense_features_3 is casting an input tensor from dtype float64 to the layer's dtype of float32, which is new behavior in TensorFlow 2. The layer has dtype float32 because its dtype defaults to floatx.If you intended to run this layer in float32, you can safely ignore this warning. If in doubt, this warning is likely only an issue if you are porting a TensorFlow 1.X model to TensorFlow 2.To change all layers to have dtype float64 by default, call `tf.keras.backend.set_floatx('float64')`. To change just this layer, pass dtype='float64' to the layer constructor. If you are the author of this layer, you can disable autocasting by passing autocast=False to the base Layer constructor.[[-0.16302079 -0.19813393 -0.11037839 -0.2307198 0.30720705 -0.57019540.0502194 -0.34920064][ 0.4270712 -0.278063 0.23978122 -0.07503474 0.10773634 -0.06057737-0.6062939 0.19062711][ 0.4270712 -0.278063 0.23978122 -0.07503474 0.10773634 -0.06057737-0.6062939 0.19062711][ 0.4270712 -0.278063 0.23978122 -0.07503474 0.10773634 -0.06057737-0.6062939 0.19062711][-0.16302079 -0.19813393 -0.11037839 -0.2307198 0.30720705 -0.57019540.0502194 -0.34920064]]

2.5 經過哈希處理的特征列

表示具有大量數值的分類列的另一種方法是使用 categorical_column_with_hash_bucket。該特征列計算輸入的一個哈希值，然后選擇一個 hash_bucket_size 分桶來編碼字符串。使用此列時，您不需要提供詞匯表，并且可以選擇使 hash_buckets 的數量遠遠小于實際類別的數量以節省空間。

關鍵點：該技術的一個重要缺點是可能存在沖突，不同的字符串被映射到同一個范圍。實際上，無論如何，經過哈希處理的特征列對某些數據集都有效。

thal_hashed = feature_column.categorical_column_with_hash_bucket('thal', hash_bucket_size=1000) demo(feature_column.indicator_column(thal_hashed)) WARNING:tensorflow:Layer dense_features_4 is casting an input tensor from dtype float64 to the layer's dtype of float32, which is new behavior in TensorFlow 2. The layer has dtype float32 because its dtype defaults to floatx.If you intended to run this layer in float32, you can safely ignore this warning. If in doubt, this warning is likely only an issue if you are porting a TensorFlow 1.X model to TensorFlow 2.To change all layers to have dtype float64 by default, call `tf.keras.backend.set_floatx('float64')`. To change just this layer, pass dtype='float64' to the layer constructor. If you are the author of this layer, you can disable autocasting by passing autocast=False to the base Layer constructor.[[0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.]]

2.6 組合的特征列

將多種特征組合到一個特征中，稱為特征組合（feature crosses），它讓模型能夠為每種特征組合學習單獨的權重。此處，我們將創建一個 age 和 thal 組合的新特征。請注意，crossed_column 不會構建所有可能組合的完整列表（可能非常大）。相反，它由 hashed_column 支持，因此您可以選擇表的大小。

crossed_feature = feature_column.crossed_column([age_buckets, thal], hash_bucket_size=1000) demo(feature_column.indicator_column(crossed_feature)) WARNING:tensorflow:Layer dense_features_5 is casting an input tensor from dtype float64 to the layer's dtype of float32, which is new behavior in TensorFlow 2. The layer has dtype float32 because its dtype defaults to floatx.If you intended to run this layer in float32, you can safely ignore this warning. If in doubt, this warning is likely only an issue if you are porting a TensorFlow 1.X model to TensorFlow 2.To change all layers to have dtype float64 by default, call `tf.keras.backend.set_floatx('float64')`. To change just this layer, pass dtype='float64' to the layer constructor. If you are the author of this layer, you can disable autocasting by passing autocast=False to the base Layer constructor.[[0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.][0. 0. 0. ... 0. 0. 0.]]

2.7 選擇要使用的列

我們已經了解了如何使用幾種類型的特征列。 現在我們將使用它們來訓練模型。本教程的目標是向您展示使用特征列所需的完整代碼（例如，機制）。我們任意地選擇了幾列來訓練我們的模型。

關鍵點：如果您的目標是建立一個準確的模型，請嘗試使用您自己的更大的數據集，并仔細考慮哪些特征最有意義，以及如何表示它們。

feature_columns = []# 數值列 for header in ['age', 'trestbps', 'chol', 'thalach', 'oldpeak', 'slope', 'ca']:feature_columns.append(feature_column.numeric_column(header))# 分桶列 age_buckets = feature_column.bucketized_column(age, boundaries=[18, 25, 30, 35, 40, 45, 50, 55, 60, 65]) feature_columns.append(age_buckets)# 分類列 thal = feature_column.categorical_column_with_vocabulary_list('thal', ['fixed', 'normal', 'reversible']) thal_one_hot = feature_column.indicator_column(thal) feature_columns.append(thal_one_hot)# 嵌入列 thal_embedding = feature_column.embedding_column(thal, dimension=8) feature_columns.append(thal_embedding)# 組合列 crossed_feature = feature_column.crossed_column([age_buckets, thal], hash_bucket_size=1000) crossed_feature = feature_column.indicator_column(crossed_feature) feature_columns.append(crossed_feature)

3、構建&運行模型

3.1 建立一個新的特征層

現在我們已經定義了我們的特征列，我們將使用密集特征（DenseFeatures）層將特征列輸入到我們的 Keras 模型中。

feature_layer = tf.keras.layers.DenseFeatures(feature_columns)

之前，我們使用一個小批量大小來演示特征列如何運轉。我們將創建一個新的更大批量的輸入流水線。

batch_size = 32 train_ds = df_to_dataset(train, batch_size=batch_size) val_ds = df_to_dataset(val, shuffle=False, batch_size=batch_size) test_ds = df_to_dataset(test, shuffle=False, batch_size=batch_size)

3.2 創建，編譯和訓練模型

model = tf.keras.Sequential([feature_layer,layers.Dense(128, activation='relu'),layers.Dense(128, activation='relu'),layers.Dense(1, activation='sigmoid') ])model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'],run_eagerly=True)model.fit(train_ds,validation_data=val_ds,epochs=5) 7/7 [==============================] - 0s 42ms/step - loss: 0.5361 - accuracy: 0.7254 - val_loss: 0.7132 - val_accuracy: 0.5102<tensorflow.python.keras.callbacks.History at 0x7ffbf4973410>

關鍵點：通常使用更大更復雜的數據集進行深度學習，您將看到最佳結果。使用像這樣的小數據集時，我們建議使用決策樹或隨機森林作為強有力的基準。本教程的目的不是訓練一個準確的模型，而是演示處理結構化數據的機制，這樣，在將來使用自己的數據集時，您有可以使用的代碼作為起點。

下一步
了解有關分類結構化數據的更多信息的最佳方法是親自嘗試。我們建議尋找另一個可以使用的數據集，并使用和上面相似的代碼，訓練一個模型，對其分類。要提高準確率，請仔細考慮模型中包含哪些特征，以及如何表示這些特征。

4、完整代碼

# -*- coding: utf-8 -*-"""AUTHOR: lujinhongCREATED ON: 2020年08月28日 11:53PROJECT: lujinhong-commons-python3 DESCRIPTION: TODO """ import ssl ssl._create_default_https_context = ssl._create_unverified_context import numpy as np import pandas as pd import tensorflow as tf from tensorflow import feature_column from tensorflow.keras import layers from sklearn.model_selection import train_test_split## 1、數據集 URL = 'https://storage.googleapis.com/applied-dl/heart.csv' dataframe = pd.read_csv(URL) dataframe.head()train, test = train_test_split(dataframe, test_size=0.2) train, val = train_test_split(train, test_size=0.2)# 一種從 Pandas Dataframe 創建 tf.data 數據集的實用程序方法（utility method） def df_to_dataset(dataframe, shuffle=True, batch_size=32):dataframe = dataframe.copy()labels = dataframe.pop('target')ds = tf.data.Dataset.from_tensor_slices((dict(dataframe), labels))if shuffle:ds = ds.shuffle(buffer_size=len(dataframe))ds = ds.batch(batch_size)return dsbatch_size = 32 train_ds = df_to_dataset(train, batch_size=batch_size) val_ds = df_to_dataset(val, shuffle=False, batch_size=batch_size) test_ds = df_to_dataset(test, shuffle=False, batch_size=batch_size)## 2、構建feature_columns feature_columns = []# 數值列 for header in ['age', 'trestbps', 'chol', 'thalach', 'oldpeak', 'slope', 'ca']:feature_columns.append(feature_column.numeric_column(header))# 分桶列 age = feature_column.numeric_column("age") age_buckets = feature_column.bucketized_column(age, boundaries=[18, 25, 30, 35, 40, 45, 50, 55, 60, 65]) feature_columns.append(age_buckets)# 分類列 thal = feature_column.categorical_column_with_vocabulary_list('thal', ['fixed', 'normal', 'reversible']) thal_one_hot = feature_column.indicator_column(thal) feature_columns.append(thal_one_hot)# 嵌入列 thal_embedding = feature_column.embedding_column(thal, dimension=8) feature_columns.append(thal_embedding)# 組合列 crossed_feature = feature_column.crossed_column([age_buckets, thal], hash_bucket_size=1000) crossed_feature = feature_column.indicator_column(crossed_feature) feature_columns.append(crossed_feature)## 3、構建并運行模型 feature_layer = tf.keras.layers.DenseFeatures(feature_columns)model = tf.keras.Sequential([feature_layer,layers.Dense(128, activation='relu'),layers.Dense(128, activation='relu'),layers.Dense(1, activation='sigmoid') ])model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'],run_eagerly=True)model.fit(train_ds,validation_data=val_ds,epochs=5) Epoch 1/5Consider rewriting this model with the Functional API. 7/7 [==============================] - 0s 42ms/step - loss: 0.5361 - accuracy: 0.7254 - val_loss: 0.7132 - val_accuracy: 0.5102<tensorflow.python.keras.callbacks.History at 0x7ffbf4973410>

5、另一個簡單例子

# -*- coding: utf-8 -*-"""AUTHOR: lujinhongCREATED ON: 2020年08月28日 10:26PROJECT: lujinhong-commons-python3 DESCRIPTION: TODO """import tensorflow as tf import pandas as pd print(tf.__version__) import ssl ssl._create_default_https_context = ssl._create_unverified_context## 1、準備數據集 df_train = pd.read_csv('https://storage.googleapis.com/tf-datasets/titanic/train.csv') df_eval = pd.read_csv('https://storage.googleapis.com/tf-datasets/titanic/eval.csv') y_train = df_train.pop('survived') y_eval = df_eval.pop('survived')ds_train = tf.data.Dataset.from_tensor_slices((dict(df_train),y_train)).batch(2) ds_eval = tf.data.Dataset.from_tensor_slices((dict(df_eval),y_eval))## 2、構建feature_column CATEGORICAL_COLUMNS = ['sex', 'n_siblings_spouses', 'parch', 'class', 'deck','embark_town', 'alone'] NUMERIC_COLUMNS = ['age', 'fare']feature_columns = [] #對類別特征做one-hot，還可以用embeding_column做embedding。 for feature_name in CATEGORICAL_COLUMNS:vocabulary = df_train[feature_name].unique()feature_columns.append(tf.feature_column.indicator_column(tf.feature_column.categorical_column_with_vocabulary_list(feature_name,vocabulary)))for feature_name in NUMERIC_COLUMNS:feature_columns.append(tf.feature_column.numeric_column(feature_name,dtype=tf.float32))#除上述特征外，還可以做組合特征。## 3、構建并運行模型 feature_layer = tf.keras.layers.DenseFeatures(feature_columns)model = tf.keras.Sequential([feature_layer,# tf.keras.layers.Dense(128, activation='relu'),# tf.keras.layers.Dense(128, activation='relu'),tf.keras.layers.Dense(1, activation='sigmoid') ]) model.compile(loss = 'binary_crossentropy', optimizer='sgd',metrics=['accuracy'])model.fit(ds_train) 2.3.0 WARNING:tensorflow:Layers in a Sequential model should only have a single input tensor, but we receive a <class 'dict'> input: {'sex': <tf.Tensor 'ExpandDims_8:0' shape=(None, 1) dtype=string>, 'age': <tf.Tensor 'ExpandDims:0' shape=(None, 1) dtype=float64>, 'n_siblings_spouses': <tf.Tensor 'ExpandDims_6:0' shape=(None, 1) dtype=int64>, 'parch': <tf.Tensor 'ExpandDims_7:0' shape=(None, 1) dtype=int64>, 'fare': <tf.Tensor 'ExpandDims_5:0' shape=(None, 1) dtype=float64>, 'class': <tf.Tensor 'ExpandDims_2:0' shape=(None, 1) dtype=string>, 'deck': <tf.Tensor 'ExpandDims_3:0' shape=(None, 1) dtype=string>, 'embark_town': <tf.Tensor 'ExpandDims_4:0' shape=(None, 1) dtype=string>, 'alone': <tf.Tensor 'ExpandDims_1:0' shape=(None, 1) dtype=string>} Consider rewriting this model with the Functional API. WARNING:tensorflow:Layer dense_features_8 is casting an input tensor from dtype float64 to the layer's dtype of float32, which is new behavior in TensorFlow 2. The layer has dtype float32 because its dtype defaults to floatx.If you intended to run this layer in float32, you can safely ignore this warning. If in doubt, this warning is likely only an issue if you are porting a TensorFlow 1.X model to TensorFlow 2.To change all layers to have dtype float64 by default, call `tf.keras.backend.set_floatx('float64')`. To change just this layer, pass dtype='float64' to the layer constructor. If you are the author of this layer, you can disable autocasting by passing autocast=False to the base Layer constructor.WARNING:tensorflow:Layers in a Sequential model should only have a single input tensor, but we receive a <class 'dict'> input: {'sex': <tf.Tensor 'ExpandDims_8:0' shape=(None, 1) dtype=string>, 'age': <tf.Tensor 'ExpandDims:0' shape=(None, 1) dtype=float64>, 'n_siblings_spouses': <tf.Tensor 'ExpandDims_6:0' shape=(None, 1) dtype=int64>, 'parch': <tf.Tensor 'ExpandDims_7:0' shape=(None, 1) dtype=int64>, 'fare': <tf.Tensor 'ExpandDims_5:0' shape=(None, 1) dtype=float64>, 'class': <tf.Tensor 'ExpandDims_2:0' shape=(None, 1) dtype=string>, 'deck': <tf.Tensor 'ExpandDims_3:0' shape=(None, 1) dtype=string>, 'embark_town': <tf.Tensor 'ExpandDims_4:0' shape=(None, 1) dtype=string>, 'alone': <tf.Tensor 'ExpandDims_1:0' shape=(None, 1) dtype=string>} Consider rewriting this model with the Functional API. 314/314 [==============================] - 0s 1ms/step - loss: 6.1425 - accuracy: 0.5965<tensorflow.python.keras.callbacks.History at 0x7ffbf4d03390>

總結

以上是生活随笔為你收集整理的tensorflow综合示例3：对结构化数据进行分类：csv keras feature_column的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。