我正在学习有关 tensorflow 的教程:https://www.tensorflow.org/tutorials/wide

有很多分类特征必须使用 tf.feature_column.categorical_column_with_vocabulary_list() 转换为稀疏矩阵。

但是，我不想使用预定义的 Estimator，

m = tf.estimator.LinearClassifier( 
    model_dir=model_dir, feature_columns=base_columns + crossed_columns)

我更喜欢使用装扮的 NN 模型，其中:

estimator = tf.contrib.learn.Estimator(model_fn=model) 
estimator.fit(input_fn=input_fn(df, num_epochs=100, shuffle=True), \  
              steps=100)

所以在model()中，会有

 def model(features, labels, mode):  
    ... 
    node = tf.add(tf.matmul(features, w), b) 
    ...

然后，我得到如下错误:

 TypeError: Failed to convert object of type <class 'dict'> to Tensor. 
 Contents: {'education': <tf.Tensor 
 'random_shuffle_queue_DequeueUpTo:1' shape=(?,) dtype=string>, 'age': 
 <tf.Tensor 'random_shuffle_queue_DequeueUpTo:2' shape=(?,) dtype=float64> ...

我的问题是如何将特征转换为可用作输入的张量。

希望我已经清楚地描述了问题。提前谢谢你。

请您参考如下方法:

features 是 Tensor 的字典，你可以通过 features['education'] 得到一个 Tensor，但是这个 Tensor 仍然是 string 类型，它仍然不能使用 tf.add(tf.matmul(features, w), b)，你应该处理你的字符串使用 tf.feature_column.categorical_column_with_vocabulary_list() 将特征输入数字特征。

更新:

可以查看官方dnn implementation ，在 def dnn_logit_fn 部分，它使用 feature_column_lib.input_layer从features和columns生成输入层，columns是tf.feature_columns.*的列表。

当定义 tf.feature_columns.* 时，例如 tf.feature_column.categorical_column_with_vocabulary_list()，它接受必须存在于 features.keys() 中的字符串 作为第一个参数，它将张量从 features 连接到 feature_column 以告诉 tf 如何将原始输入(字符串)张量处理为特征张量(数字)。

python之如何在 tensorflow 中将字典转换为张量

更新: