Python 如何在tensorflow中将dict转换为张量

以下是关于tensorflow的教程：

有许多分类特征必须用

tf.feature\u column.categorical\u column\u和\u词汇表\u list（）转换为稀疏矩阵。

但是，我不想使用预定义的估计器

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

我更喜欢使用服装NN模型，包括：

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

因此在

model（）

中

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

然后，我得到了如下错误：

 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> ... 

TypeError:无法将类型的对象转换为Tensor。
内容：{‘教育’：，‘年龄’：
... 

我的问题是如何将

特征

转换为可以用作输入的张量

---

希望我已经清楚地描述了这个问题。提前谢谢。

功能是一个

张量的dict

你可以通过类似

功能['education']

来获得一个

张量，但是这个
张量仍然是
字符串的类型，它仍然不能使用
tf.add（tf.matmul（features，w），b）
，您应该使用like
tf.feature\u column.categorical\u column\u with\u词汇表（）将字符串类型特征处理为数字特征。

更新：
您可以在
def dnn\u logit\u fn
部分中检查office，它用于从
功能
和
列
生成输入层，
列
是
tf.feature\u列的列表。*

定义
tf.feature\u columns.*
如
tf.feature\u column.categorical\u column\u和
，它接受必须存在于
features.keys（）
中的字符串作为第一个参数，它将
features
的张量连接到feature\u列，以告诉tf如何处理原始输入（字符串）将张量转换为特征张量（数字）。
非常感谢您的回复。但是如何将转换后的
特征
与
tf.contrib.learn.Estimator
链接？