数据结构
网络
关系数据库管理系统 (RDBMS)
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C语言编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装学
法学如何使用TensorFlow和Estimator同时查看所有特征列转换？
可以使用TensorFlow和Estimator以及“DenseFeatures”方法查看数据集的所有特征列。此数据被转换为NumPy数组，以便可以在控制台上查看。
阅读更多： 什么是TensorFlow以及Keras如何与TensorFlow一起创建神经网络？
我们将使用Keras Sequential API，它有助于构建一个顺序模型，该模型用于处理简单的层堆栈，其中每一层只有一个输入张量和一个输出张量。
包含至少一层卷积层的神经网络被称为卷积神经网络。我们可以使用卷积神经网络来构建学习模型。
我们正在使用Google Colaboratory运行以下代码。Google Colab或Colaboratory有助于在浏览器上运行Python代码，无需任何配置，并可免费访问GPU（图形处理器）。Colaboratory构建在Jupyter Notebook之上。
Estimator使用特征列来描述模型如何解释原始输入特征。Estimator需要一个数值输入向量，特征列将有助于描述模型应该如何转换数据集中每个特征。选择和使用正确的特征列集对于学习有效的模型至关重要。特征列可以是原始特征字典中的原始输入之一，也可以是使用在一个或多个基本列上定义的转换创建的新列。
示例
print("Viewing all feature column transformation together")
tf.keras.layers.DenseFeatures(feature_columns)(example).numpy()代码来源 −https://tensorflowcn.cn/tutorials/estimator/boosted_trees
输出
Viewing all feature column transformation together array([[22. , 1. , 0. , 1. , 0. , 0. , 1. , 0. , 0. , 0. , 0. , 0. , 0. , 0. , 1. , 0. , 0. , 0. , 7.25, 1. , 0. , 0. , 0. , 0. , 0. , 0. , 1. , 0. , 0. , 0. , 0. , 0. , 1. , 0. ]], dtype=float32)
解释
- 所有特征列转换可以一起查看。
- 可以使用“DenseFeatures”方法实现。
- 此转换显示在控制台上。
更新于：2021年2月25日
84 次浏览
广告