如何在Python中使用Tensorflow定义特征列？

Tensorflow可以通过创建空列表并访问训练数据集的“关键”值并进行迭代来定义估算器模型的特征列。在迭代过程中，特征名称被附加到空列表中。

更多Python相关文章，请阅读：Python 教程

我们将使用Keras Sequential API，它有助于构建一个序列模型，用于处理一组普通的层，其中每个层恰好具有一个输入张量和一个输出张量。

至少包含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来构建学习模型。

TensorFlow Text包含与TensorFlow 2.0一起使用的文本相关类和操作的集合。可以使用TensorFlow Text来预处理序列建模。

我们使用Google Colaboratory来运行下面的代码。Google Colab或Colaboratory可在浏览器上运行Python代码，不需要任何配置，并免费使用GPU（图形处理单元）。Colaboratory是基于Jupyter Notebook构建的。

估算器是TensorFlow的完整模型的高级表示。它旨在易于扩展和异步训练。

例子

print("为估算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

为估算器模型构建特征列列表

说明

• 特征列描述了模型应如何使用来自特征字典的原始输入数据。构建Estimator模型时，向其传递了一系列特征列。

• 它们描述模型应使用的每个特征。

• tf.feature_column模块提供了许多选项来表示数据到模型。

• 我们构建一个特征列列表，以告诉Estimator模型将每个特征表示为32位浮点值。