Python 在tf.contrib.learn.LinearClassifier.fit中传递什么作为x和y参数 问题:

我已经建立了一个玩具的例子。在本例中，使用参数

input\u fn

调用

fit

方法，其中我通过

train\u input\u fn

。这就是TensorFlow传递数据的方式。但是，我确实希望运行小批量。幸运的是，

fit

有一个

batch\u size

参数，但我需要放弃使用

input\u fn

，而是传递

x

和

y

。我试过传递

ndarray

s和

DataFrames

以及

train\u input\u fn

函数的输出。什么都不管用。我需要一个使用

batch\u size

参数的工作示例

安装程序 下面是我没有问题的设置代码，后面是问题部分

没有问题（可以随意复制/粘贴/运行） 问题部分工作版本 问题部分非工作版本 下面是我得到的错误，但根据我的尝试，我得到了不同的错误。文件上说是矩阵。我也试过了

整个回溯的转储

---------------------------------------------------------------------------
ValueError回溯（最近一次调用上次）
在（）
12 p.fit（输入fn=序列输入fn，步数=10）
13 x，y=列车输入
--->14 p.配合（x=df_系列，y=df_系列，步数=10，批量尺寸=100）
15结果=p.评估（输入=评估输入=步骤1）
16对于已排序的输入（结果）：
/Users/sean/anaconda/lib/python2.7/site-packages/tensorflow/contrib/learn/python/learn/estimators/estimators.pyc（self、x、y、input\fn、steps、batch\u size、monitors）
171如果x为无：
172 raise VALUE ERROR（'必须提供x或input_fn'）
-->173输入\u fn，输入\u fn=\u获取\u输入\u fn（x，y，批次大小）
174 elif（x不是无）或（y不是无）：
175 raise VALUE ERROR（'不能同时提供输入和x和y.）
/Users/sean/anaconda/lib/python2.7/site-packages/tensorflow/contrib/learn/python/learn/estimators/estimator.pyc in_get\u input_fn（x，y，批量大小）
65定义获取输入（x、y、批次大小）：
66 df=数据馈线。设置列车数据馈线(
--->67 x，y，n_类=无，批量大小=批量大小）
68返回df.input\u builder，df.get\u feed\u dict\u fn（）
69
/用户/sean/anaconda/lib/python2.7/site-packages/tensorflow/contrib/learn/python/learn/io/data\u feeder.pyc在设置\u train\u data\u feeder中（X、y、n类、批量大小、无序、时代）
97 ValueError：如果'X'和'y'中的一个是可写的，而另一个不是。
98   """
--->99 X，y=\u数据类型\u过滤器（X，y）
100如果有以下情况：
101#pylint:disable=g-import-not-at-top
/Users/sean/anaconda/lib/python2.7/site-packages/tensorflow/contrib/learn/python/learn/io/data\u feeder.pyc in_data\u type\u filter（X，y）
65 y=提取标签（y）
66如果有熊猫：
--->67 X=提取数据（X）
68如果y不是无：
69 y=提取标签（y）
/提取熊猫数据（数据）中的Users/sean/anaconda/lib/python2.7/site-packages/tensorflow/contrib/learn/python/learn/io/pandas\u io.pyc
51返回数据.values.astype（'float'））
52.其他：
--->53 raise VALUERROR（'数据的数据类型必须是int、float或bool'）
54
55
ValueError：数据的数据类型必须为int、float或bool。

如果您通过

x

和

y

的格式似乎与

input\u fn

的格式不同。引用

fit

的：

x：矩阵或形状张量[n_样本，n_特征…]。可以是返回特征数组的迭代器。用于拟合模型的训练输入样本。如果设置，则输入必须为无

下面的例子是有效的

• 我不得不用布尔值代替

  'Yes'

  /

  'No'

  （这可能不是等价的，但说明了这一点），因为人们似乎无法以这种方式输入稀疏数据

• 我使用

  expert\u real\u valued\u columns\u from\u input

  来获取列

修订版：

import pandas as pd
import numpy as np
import tensorflow as tf
import tempfile

np.random.seed([3,1415])

_x_df = pd.DataFrame(dict(
    cat1=np.random.choice((True, False), (100,),),
    val1=np.random.rand(100),
    val2=np.random.rand(100),
    val3=np.random.rand(100)))

_y_df = pd.DataFrame(dict(label=np.random.choice((0, 1), (100,))))

trainBegin, trainEnd = 0, 80
testBegin, testEnd = 80, 100
x_df_train = _x_df.iloc[trainBegin:trainEnd, :]
x_df_test = _x_df.iloc[testBegin:testEnd, :]
y_df_train = _y_df.iloc[trainBegin:trainEnd, :]
y_df_test = _y_df.iloc[testBegin:testEnd, :]

wide_columns = tf.contrib.learn.infer_real_valued_columns_from_input(x_df_train)

model_dir = tempfile.mkdtemp()
m = tf.contrib.learn.LinearClassifier(feature_columns=wide_columns, model_dir=model_dir)
m.fit(x_df_train, y_df_train, batch_size=5, steps=200)

results = m.evaluate(x_df_test, y_df_test, batch_size=5, steps=1)
for key in sorted(results):
    print("%s: %s" % (key, results[key]))

model_dir = tempfile.mkdtemp()
m = tf.contrib.learn.LinearClassifier(feature_columns=wide_columns, model_dir=model_dir)
m.fit(input_fn=train_input_fn, steps=200)

results = m.evaluate(input_fn=eval_input_fn, steps=1)
for key in sorted(results):
    print("%s: %s" % (key, results[key]))

accuracy: 0.45
eval_auc: 0.459596
loss: 0.771354

model_dir = tempfile.mkdtemp()
m = tf.contrib.learn.LinearClassifier(feature_columns=wide_columns, model_dir=model_dir)
m.fit(input_fn=train_input_fn, steps=200)
# 2 lines that are different ##########################
x, y = train_input_fn()
results = m.evaluate(x=x, y=y, batch_size=100, steps=1)
#######################################################
for key in sorted(results):
    print("%s: %s" % (key, results[key]))

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-135-5b53add19aac> in <module>()
     12 # p.fit(input_fn=train_input_fn, steps=10)
     13 x, y = train_input_fn()
---> 14 p.fit(x=df_train, y=df_train, steps=10, batch_size=100)
     15 results = p.evaluate(input_fn=eval_input_fn, steps=1)
     16 for key in sorted(results):

/Users/sean/anaconda/lib/python2.7/site-packages/tensorflow/contrib/learn/python/learn/estimators/estimator.pyc in fit(self, x, y, input_fn, steps, batch_size, monitors)
    171       if x is None:
    172         raise ValueError('Either x or input_fn must be provided.')
--> 173       input_fn, feed_fn = _get_input_fn(x, y, batch_size)
    174     elif (x is not None) or (y is not None):
    175       raise ValueError('Can not provide both input_fn and either of x and y.')

/Users/sean/anaconda/lib/python2.7/site-packages/tensorflow/contrib/learn/python/learn/estimators/estimator.pyc in _get_input_fn(x, y, batch_size)
     65 def _get_input_fn(x, y, batch_size):
     66   df = data_feeder.setup_train_data_feeder(
---> 67       x, y, n_classes=None, batch_size=batch_size)
     68   return df.input_builder, df.get_feed_dict_fn()
     69 

/Users/sean/anaconda/lib/python2.7/site-packages/tensorflow/contrib/learn/python/learn/io/data_feeder.pyc in setup_train_data_feeder(X, y, n_classes, batch_size, shuffle, epochs)
     97     ValueError: if one of `X` and `y` is iterable and the other is not.
     98   """
---> 99   X, y = _data_type_filter(X, y)
    100   if HAS_DASK:
    101     # pylint: disable=g-import-not-at-top

/Users/sean/anaconda/lib/python2.7/site-packages/tensorflow/contrib/learn/python/learn/io/data_feeder.pyc in _data_type_filter(X, y)
     65       y = extract_dask_labels(y)
     66   if HAS_PANDAS:
---> 67     X = extract_pandas_data(X)
     68     if y is not None:
     69       y = extract_pandas_labels(y)

/Users/sean/anaconda/lib/python2.7/site-packages/tensorflow/contrib/learn/python/learn/io/pandas_io.pyc in extract_pandas_data(data)
     51     return data.values.astype('float')
     52   else:
---> 53     raise ValueError('Data types for data must be int, float, or bool.')
     54 
     55 

ValueError: Data types for data must be int, float, or bool.

import pandas as pd
import numpy as np
import tensorflow as tf
import tempfile

np.random.seed([3,1415])

_x_df = pd.DataFrame(dict(
    cat1=np.random.choice((True, False), (100,),),
    val1=np.random.rand(100),
    val2=np.random.rand(100),
    val3=np.random.rand(100)))

_y_df = pd.DataFrame(dict(label=np.random.choice((0, 1), (100,))))

trainBegin, trainEnd = 0, 80
testBegin, testEnd = 80, 100
x_df_train = _x_df.iloc[trainBegin:trainEnd, :]
x_df_test = _x_df.iloc[testBegin:testEnd, :]
y_df_train = _y_df.iloc[trainBegin:trainEnd, :]
y_df_test = _y_df.iloc[testBegin:testEnd, :]

wide_columns = tf.contrib.learn.infer_real_valued_columns_from_input(x_df_train)

model_dir = tempfile.mkdtemp()
m = tf.contrib.learn.LinearClassifier(feature_columns=wide_columns, model_dir=model_dir)
m.fit(x_df_train, y_df_train, batch_size=5, steps=200)

results = m.evaluate(x_df_test, y_df_test, batch_size=5, steps=1)
for key in sorted(results):
    print("%s: %s" % (key, results[key]))