我是Tensor Flow的新手。此功能列是什么？它对培训有何影响？
当我实现如下代码时，此数字列将创建为功能列。我想了解用途。
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)
最佳答案
根据我可以从documentation on feature columns收集的信息来看，似乎它们被用于将某种输入数据特征转换为可以由回归模型或神经网络模型使用的连续变量。
例如，在回归中，如果我们有一个分类变量，通常首先将其转换为dummy variables集。 tf.feature_column.indicator_column可用于为我们进行此转换。然后，我们可以只在Feed字典中提供分类数据，然后转换为虚拟变量将在内部进行。
在numeric_column的情况下，不需要这种转换，因此该类基本上就像tf.placeholder一样。
关于python - 此功能列是什么？它对培训有何影响？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/46423156/