C# 如何将验证数据传递到Model.fit+；数据集？

我试图在生成的数据上训练一个简单的

顺序
网络。我有一个预计算的验证数据集

为了提供输入，我使用了
tf.data.Dataset
API，如下所示：

它无需验证数据即可正常工作

如果我将
validation\u data
作为一个张量元组传递，就像上面的例子，例如
（testInputs，testOutputs）
，它抛出
“TypeError:float（）参数必须是字符串或数字，而不是“NoneType”
。（在切换到
数据集
之前，我也会这样处理列车数据，并且验证工作正常）

如果我将
testInputs
和
testOutputs
包装到一个
Dataset
中，类似于列车数据，例如
Dataset.from\u tensor\u切片（ValueTuple.Create（testInputs，testOutputs））

我得到一个不同的错误：
ValueError:检查输入时出错：预期顺序输入有2个维度，但得到了形状为（347，）的数组。

这里347是特征向量的大小，因此
测试输入。shape
是（221347）和
测试输出。shape
是（221，1）
从我们的讨论中，我们可以澄清一些事情

首先，当直接将其作为元组输入时，不太确定错误。可能需要关于它的数据的更多信息

至于使用tf数据进行验证，当我们使用时，“我们创建一个数据集，其元素是给定张量的切片”。关于这个例子，我们输入的是一个具有相应形状（221347）和（221,1）的元组。_张量_切片的作用是沿第0维（此处大小为221）对相应的numpy数组进行切片。因此，该方法将创建一个数据集，其中每个元素分别是形状（347，）和（1，）的元组。数据集中将有221个这样的元素

另一方面，如果我们使用该方法，它将创建一个包含单个元素的数据集，该元素由给定的张量作为输入组成。因此，它相当于直接通过dataset对象提供numpy数据

下面是一个简单的例子，说明了如何在更小的维度上实现这一点：

import numpy as np
import tensorflow as tf
np.random.seed(42)
example_train = np.random.randn(4, 4)
example_test = np.random.randn(4, 1)

print("Example Train:", example_train)
print("Example Test:", example_test)

dataset1 = tf.data.Dataset.from_tensor_slices((example_train, example_test))
dataset2 = tf.data.Dataset.from_tensors((example_train, example_test))

it1 = dataset1.make_one_shot_iterator().get_next()
it2 = dataset2.make_one_shot_iterator().get_next()

with tf.Session() as sess:
    for i in range(4):
        print("Element {} of dataset1: {}".format(i,sess.run([it1])))
    print ("Element 0 of dataset2: ", sess.run([it2]))

结果:

Example Train: [[ 0.49671415 -0.1382643   0.64768854  1.52302986]
 [-0.23415337 -0.23413696  1.57921282  0.76743473]
 [-0.46947439  0.54256004 -0.46341769 -0.46572975]
 [ 0.24196227 -1.91328024 -1.72491783 -0.56228753]]
Example Test: [[-1.01283112]
 [ 0.31424733]
 [-0.90802408]
 [-1.4123037 ]]
Element 0 of dataset1: [(array([ 0.49671415, -0.1382643 ,  0.64768854,  1.52302986]), array([-1.01283112]))]
Element 1 of dataset1: [(array([-0.23415337, -0.23413696,  1.57921282,  0.76743473]), array([0.31424733]))]
Element 2 of dataset1: [(array([-0.46947439,  0.54256004, -0.46341769, -0.46572975]), array([-0.90802408]))]
Element 3 of dataset1: [(array([ 0.24196227, -1.91328024, -1.72491783, -0.56228753]), array([-1.4123037]))]
Element 0 of dataset2:  [(array([[ 0.49671415, -0.1382643 ,  0.64768854,  1.52302986],
       [-0.23415337, -0.23413696,  1.57921282,  0.76743473],
       [-0.46947439,  0.54256004, -0.46341769, -0.46572975],
       [ 0.24196227, -1.91328024, -1.72491783, -0.56228753]]), array([[-1.01283112],
       [ 0.31424733],
       [-0.90802408],
       [-1.4123037 ]]))]

关于我对该方法的评论，通过将batch_size设置为221以重新组合，如果我们将dataset1代码更改为类似的内容，并将打印修改为类似的内容，例如：

dataset1 = tf.data.Dataset.from_tensor_slices((example_train, example_test)).batch(4)

with tf.Session() as sess:
    print ("Element 0 of dataset1: ", sess.run([it1]))    

我们的结果是：

Element 0 of dataset1:  [(array([[ 0.49671415, -0.1382643 ,  0.64768854,  1.52302986],
       [-0.23415337, -0.23413696,  1.57921282,  0.76743473],
       [-0.46947439,  0.54256004, -0.46341769, -0.46572975],
       [ 0.24196227, -1.91328024, -1.72491783, -0.56228753]]), array([[-1.01283112],
       [ 0.31424733],
       [-0.90802408],
       [-1.4123037 ]]))]

您可以看到，这与使用from_张量相同。
我不确定您的第一个错误，因为我不知道您数据的详细信息。但是对于第二个，它显示了这个错误，因为您使用from_tensor_slices，它将沿着第一维度对数据进行切片。因此，一个（221347）将被分割成221（347，）个数据点。如果您使用批处理方法将数据批处理到221，那么它会将数据放回（221347）形状。请注意，在这种情况下，您还需要使用validation\u steps参数，因为您正在使用steps\u per\u epoch来指定不需要为train计算的步骤，对于validation，情况也应该如此。@kvish，虽然我不完全理解您的解释，但在尝试几件事情之前，只需将来自\u张量的
切片
替换为来自\u张量的
即可验证
数据集
。嗯，你应该把你的评论变成一个答案。仍然不明白为什么来自张量切片的
适用于训练数据，而不适用于测试数据。
Element 0 of dataset1:  [(array([[ 0.49671415, -0.1382643 ,  0.64768854,  1.52302986],
       [-0.23415337, -0.23413696,  1.57921282,  0.76743473],
       [-0.46947439,  0.54256004, -0.46341769, -0.46572975],
       [ 0.24196227, -1.91328024, -1.72491783, -0.56228753]]), array([[-1.01283112],
       [ 0.31424733],
       [-0.90802408],
       [-1.4123037 ]]))]