- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我按照以下指南编写了 TF Records,其中我使用了 tf.Transform
来预处理我的功能。现在,我想部署我的模型,为此我需要对实时数据应用此预处理功能。
首先,假设我有两个特征:
features = ['amount', 'age']
我有来自 Apache Beam 的 transform_fn
,位于 working_dir=gs://path-to-transform-fn/
然后我使用以下方法加载转换函数:
tf_transform_output = tft.TFTransformOutput(working_dir)
我认为在生产中提供服务的最简单方法是获取经过处理的数据的 numpy 数组,然后调用 model.predict()
(我使用的是 Keras 模型)。
为此,我想 transform_raw_features()
方法正是我需要的。
但是,似乎在构建模式之后:
raw_features = {}
for k in features:
raw_features.update({k: tf.constant(1)})
print(tf_transform_output.transform_raw_features(raw_features))
我得到:
AttributeError: 'Tensor' object has no attribute 'indices'
现在,我假设发生这种情况是因为我在 preprocessing_fn
中定义架构时使用了 tf.VarLenFeature()
。
def preprocessing_fn(inputs):
outputs = inputs.copy()
for _ in features:
outputs[_] = tft.scale_to_z_score(outputs[_])
我使用以下方法构建元数据:
RAW_DATA_FEATURE_SPEC = {}
for _ in features:
RAW_DATA_FEATURE_SPEC[_] = tf.VarLenFeature(dtype=tf.float32)
RAW_DATA_METADATA = dataset_metadata.DatasetMetadata(
dataset_schema.from_feature_spec(RAW_DATA_FEATURE_SPEC))
简而言之,给定一个字典:
d = {'amount': [50], 'age': [32]}
,我想应用这个 transform_fn
,并适本地缩放这些值输入到我的模型中进行预测。这个字典正是我的PCollection
在数据被pre_processing()
函数处理之前的格式。
class BeamProccess():
def __init__(self):
# init
self.run()
def run(self):
def preprocessing_fn(inputs):
# outputs = { 'id' : [list], 'amount': [list], 'age': [list] }
return outputs
with beam.Pipeline(options=self.pipe_opt) as p:
with beam_impl.Context(temp_dir=self.google_cloud_options.temp_location):
data = p | "read_table" >> beam.io.Read(table_bq) \
| "create_data" >> beam.ParDo(ProcessFn())
transformed_dataset, transform_fn = (
(train, RAW_DATA_METADATA) | beam_impl.AnalyzeAndTransformDataset(
preprocessing_fn))
transformed_data, transformed_metadata = transformed_dataset
transformed_data | "WriteTrainTFRecords" >> tfrecordio.WriteToTFRecord(
file_path_prefix=self.JOB_DIR + '/train/data',
file_name_suffix='.tfrecord',
coder=example_proto_coder.ExampleProtoCoder(transformed_metadata.schema))
_ = (
transform_fn
| 'WriteTransformFn' >>
transform_fn_io.WriteTransformFn(path=self.JOB_DIR + '/transform/'))
最后 ParDo()
是:
class ProcessFn(beam.DoFn):
def process(self, element):
yield { 'id' : [list], 'amount': [list], 'age': [list] }
最佳答案
问题出在片段上
raw_features = {}
for k in features:
raw_features.update({k: tf.constant(1)})
print(tf_transform_output.transform_raw_features(raw_features))
在这段代码中,您构建了一个字典,其中的值是张量。正如您所说,这不适用于 VarLenFeature
。而不是使用 tf.constant
尝试使用 tf.placeholder
作为 FixedLenFeature
和 tf.sparse_placeholder
作为 VarLenFeature
.
关于python - 应用 TensorFlow Transform 来转换/缩放生产中的特征,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/54081739/
我是一名优秀的程序员,十分优秀!