Bir tensorflow giriş boru hattını skflow/tf ile kullanarak

Question

Uygulamamın verilerini TFRecords biçiminde almak için Tensorflow Reading Data kılavuzunu takip ettim ve bu verileri okumak için giriş pipeline'larında TFRecordReader kullanıyorum.

Şimdi basit bir regresör oluşturmak için skflow/tf.learn kullanım kılavuzlarını okuyorum, ancak giriş verilerimi bu araçlarla nasıl kullanacağımı göremiyorum. Aşağıdaki kodda

, uygulama ValueError: setting an array element with a sequence. ile regressor.fit(..) çağrı başarısız olur.

Hata:

Traceback (most recent call last): 
    File ".../tf.py", line 138, in <module> 
    run() 
    File ".../tf.py", line 86, in run 
    regressor.fit(x, labels) 
    File ".../site-packages/tensorflow/contrib/learn/python/learn/estimators/base.py", line 218, in fit 
    self.batch_size) 
    File ".../site-packages/tensorflow/contrib/learn/python/learn/io/data_feeder.py", line 99, in setup_train_data_feeder 
    return data_feeder_cls(X, y, n_classes, batch_size) 
    File ".../site-packages/tensorflow/contrib/learn/python/learn/io/data_feeder.py", line 191, in __init__ 
    self.X = check_array(X, dtype=x_dtype) 
    File ".../site-packages/tensorflow/contrib/learn/python/learn/io/data_feeder.py", line 161, in check_array 
    array = np.array(array, dtype=dtype, order=None, copy=False) 

ValueError: setting an array element with a sequence. 

Kodu:

check_array çağrı gerçek dizi değil, bir tensör bekliyor gibi görünüyor

import tensorflow as tf 
import tensorflow.contrib.learn as learn 

def inputs(): 
    with tf.name_scope('input'): 
     filename_queue = tf.train.string_input_producer([filename]) 

     reader = tf.TFRecordReader() 
     _, serialized_example = reader.read(filename_queue) 

     features = tf.parse_single_example(serialized_example, feature_spec) 
     labels = features.pop('actual') 
     some_feature = features['some_feature'] 

     features_batch, labels_batch = tf.train.shuffle_batch(
      [some_feature, labels], batch_size=batch_size, capacity=capacity, 
      min_after_dequeue=min_after_dequeue) 

     return features_batch, labels_batch 


def run(): 
    with tf.Graph().as_default(): 
     x, labels = inputs() 

     # regressor = learn.TensorFlowDNNRegressor(hidden_units=[10, 20, 10]) 
     regressor = learn.TensorFlowLinearRegressor() 

     regressor.fit(x, labels) 
     ... 

. Verilerimi doğru şekle masaj yapmak için yapabileceğim bir şey var mı?

Answer 1

Çalıştığınız API değeri amortismana benzer. Daha modern bir tf.contrib.learn.LinearRegressor (Ben => 1.0) kullanırsanız, temel olarak girişleri ve etiketleri üreten input_fn'u belirtmeniz gerekir. Ben senin örnekte, bu şekilde run fonksiyonunu değiştirmek kadar basit olacağını düşünüyorum:

def run(): 
    with tf.Graph().as_default(): 
     regressor = tf.contrib.learn.LinearRegressor() 
     regressor.fit(input_fn=my_input_fn) 

ve sonra my_input_fn denilen bir giriş fonksiyonunu tanımlayan.

def my_input_fn(): 

    # Preprocess your data here... 

    # ...then return 1) a mapping of feature columns to Tensors with 
    # the corresponding feature data, and 2) a Tensor containing labels 
    return feature_cols, labels 

Ben belgeleri size geri kalan yolu alabilirsiniz düşünmek: the docs itibaren bu giriş fonksiyonu halini alır. Verilerinizi görmeden nasıl ilerlemeniz gerektiğini söylemek benim için zor.