python - 这个特征列是什么，它如何影响训练？

Question

我对 Tensor Flow 比较陌生。这个特征列是什么，它如何影响训练？

当我实现如下代码时，这个数字列被创建为一个特征列。我想了解使用。

feature_columns = [tf.feature_column.numeric_column("x", shape=[1])]

estimator = tf.estimator.LinearRegressor(feature_columns=feature_columns)

x_train = np.array([1., 2., 3., 4.])
y_train = np.array([0., -1., -2., -3.])
x_eval = np.array([2., 5., 8., 1.])
y_eval = np.array([-1.01, -4.1, -7, 0.])

input_fn = tf.estimator.inputs.numpy_input_fn(
    {"x": x_train}, y_train, batch_size=4, num_epochs=None, shuffle=True)
train_input_fn = tf.estimator.inputs.numpy_input_fn(
{"x": x_train}, y_train, batch_size=4, num_epochs=1000, shuffle=False)
eval_input_fn = tf.estimator.inputs.numpy_input_fn(
{"x": x_eval}, y_eval, batch_size=4, num_epochs=1000, shuffle=False)

estimator.train(input_fn=input_fn, steps=10000)
train_metrics = estimator.evaluate(input_fn=train_input_fn)
eval_metrics = estimator.evaluate(input_fn=eval_input_fn)
print("\n\ntrain metrics: %r"% train_metrics)
print("eval metrics: %r"% eval_metrics)

Answer 1

根据我从 documentation on feature columns 中收集到的信息，它们似乎用于将某种输入数据特征转换为连续变量，可供回归或神经网络模型使用。

例如，在回归中，如果我们有一个分类变量，通常会将其转换为一组 dummy variables第一的。 tf.feature_column.indicator_column可以用来为我们进行这种转换。然后我们可以只在我们的 feed dict 中提供分类数据，并且到虚拟变量的转换将在内部发生。

在 numeric_column 的情况下，不需要这样的转换，所以该类基本上就像一个 tf.placeholder。