Verwenden einer Tensorflow-Eingabepipeline mit skflow/tf learn

Question

Ich habe die Tensorflow-Anleitung Reading Data verwendet, um die Daten meiner Anwendung in Form von TFRecords zu erhalten, und verwende TFRecordReader in meinen Eingabe-Pipelines, um diese Daten zu lesen.

Ich lese jetzt die Anleitungen zur Verwendung von skflow/tf.learn, um einen einfachen Regressor zu erstellen, aber ich kann nicht sehen, wie ich meine Eingabedaten mit diesen Tools verwenden kann.

Im folgenden Code schlägt die App unter regressor.fit(..) mit ValueError: setting an array element with a sequence. fehl.

Fehler:

Traceback (most recent call last): 
    File ".../tf.py", line 138, in <module> 
    run() 
    File ".../tf.py", line 86, in run 
    regressor.fit(x, labels) 
    File ".../site-packages/tensorflow/contrib/learn/python/learn/estimators/base.py", line 218, in fit 
    self.batch_size) 
    File ".../site-packages/tensorflow/contrib/learn/python/learn/io/data_feeder.py", line 99, in setup_train_data_feeder 
    return data_feeder_cls(X, y, n_classes, batch_size) 
    File ".../site-packages/tensorflow/contrib/learn/python/learn/io/data_feeder.py", line 191, in __init__ 
    self.X = check_array(X, dtype=x_dtype) 
    File ".../site-packages/tensorflow/contrib/learn/python/learn/io/data_feeder.py", line 161, in check_array 
    array = np.array(array, dtype=dtype, order=None, copy=False) 

ValueError: setting an array element with a sequence. 

Code:

import tensorflow as tf 
import tensorflow.contrib.learn as learn 

def inputs(): 
    with tf.name_scope('input'): 
     filename_queue = tf.train.string_input_producer([filename]) 

     reader = tf.TFRecordReader() 
     _, serialized_example = reader.read(filename_queue) 

     features = tf.parse_single_example(serialized_example, feature_spec) 
     labels = features.pop('actual') 
     some_feature = features['some_feature'] 

     features_batch, labels_batch = tf.train.shuffle_batch(
      [some_feature, labels], batch_size=batch_size, capacity=capacity, 
      min_after_dequeue=min_after_dequeue) 

     return features_batch, labels_batch 


def run(): 
    with tf.Graph().as_default(): 
     x, labels = inputs() 

     # regressor = learn.TensorFlowDNNRegressor(hidden_units=[10, 20, 10]) 
     regressor = learn.TensorFlowLinearRegressor() 

     regressor.fit(x, labels) 
     ... 

Es sieht aus wie der check_array Anruf wird ein echtes Array erwartet, kein Tensor. Kann ich irgendetwas tun, um meine Daten in die richtige Form zu bringen?

Answer 1

Es sieht so aus, als ob die API, mit der Sie gearbeitet haben, abgeschrieben wird. Wenn Sie eine modernere tf.contrib.learn.LinearRegressor (ich denke> = 1.0) verwenden, sollten Sie die input_fn angeben, die im Grunde die Eingaben und Beschriftungen erzeugt. Ich denke, in Ihrem Beispiel, das wäre so einfach sein wie Ihre run Funktion Wechsel:

def run(): 
    with tf.Graph().as_default(): 
     regressor = tf.contrib.learn.LinearRegressor() 
     regressor.fit(input_fn=my_input_fn) 

und dann eine Eingabefunktion definieren aufgerufen my_input_fn. Von the docs nimmt diese Eingabefunktion die Form:

def my_input_fn(): 

    # Preprocess your data here... 

    # ...then return 1) a mapping of feature columns to Tensors with 
    # the corresponding feature data, and 2) a Tensor containing labels 
    return feature_cols, labels 

ich die Dokumentation denken können Sie den Rest des Weges zu bekommen. Es ist schwierig von hier zu sagen, wie Sie vorgehen sollten, ohne Ihre Daten zu sehen.