Python 将tensorflow数据集馈送到模型中

我有一个具有102个特征的输入数据集，并有相应的二进制输出。输出为0或1，具体取决于102功能

输入：

tf.Tensor(
[-1.72999993e-01 -8.20000023e-02  3.38000000e-01  1.35000005e-01
  ...
  0.00000000e+00  2.00000009e-03], shape=(102,), dtype=float64)

输出：

tf.Tensor([1], shape=(1,), dtype=int32)

我试图遵循这一点，并创建了如下模型：

train_dataset = tf.data.Dataset.from_tensor_slices((train_x,tf.dtypes.cast(label_x, tf.int32)))
features, labels = next(iter(train_dataset))

model = tf.keras.Sequential([
  tf.keras.layers.Dense(10, activation=tf.nn.relu, input_shape=(102,)),  # input shape required
  tf.keras.layers.Dense(10, activation=tf.nn.relu),
  tf.keras.layers.Dense(1)
])

predictions = model(features)

但是，当我尝试运行时出现错误时：

---------------------------------------------------------------------------

InvalidArgumentError                      Traceback (most recent call last)

<ipython-input-12-d7be7f733930> in <module>()
      6 ])
      7 
----> 8 predictions = model(features)

7 frames

/usr/local/lib/python3.6/dist-packages/six.py in raise_from(value, from_value)

InvalidArgumentError: In[0] is not a matrix. Instead it has shape [102] [Op:MatMul]

---------------------------------------------------------------------------
InvalidArgumentError回溯（最后一次最近调用）
在（）
6 ])
7.
---->8预测=模型（特征）
7帧
/raise_from（value，from_value）中的usr/local/lib/python3.6/dist-packages/six.py
[0]中的InvalidArgumentError:不是矩阵。相反，它有形状[102][Op:MatMul]

您需要调整创建数据集的批处理，或者调整模型中的输入形状，以适应尺寸

train\u x=np.arange（100，dtype=np.int32）
label_x=np.arange（100，dtype=np.int32）
train_dataset=tf.data.dataset.from_tensor_切片（（train_x，label_x））。批次（10）
模型=tf.keras.Sequential([
tf.keras.layers.Dense（10，激活=tf.nn.relu，输入_形状=（1，），#需要输入形状
tf.keras.layers.Dense（10，活化=tf.nn.relu），
tf.keras.致密层（1）
])
对于要素，列_数据集中的标签：
pred=模型（特征[…，tf.newaxis]）
打印（pred）
#tf张量(
#[[-21.829016]
# [-22.071556]
# [-22.314102]
# [-22.556648]
# [-22.799194]
# [-23.041737]
# [-23.284283]
# [-23.52683 ]
# [-23.76937 ]
#[-24.011917]]，shape=（10,1），dtype=float32）

您需要调整创建数据集的批处理，或者调整模型中的输入形状，以适应尺寸

train\u x=np.arange（100，dtype=np.int32）
label_x=np.arange（100，dtype=np.int32）
train_dataset=tf.data.dataset.from_tensor_切片（（train_x，label_x））。批次（10）
模型=tf.keras.Sequential([
tf.keras.layers.Dense（10，激活=tf.nn.relu，输入_形状=（1，），#需要输入形状
tf.keras.layers.Dense（10，活化=tf.nn.relu），
tf.keras.致密层（1）
])
对于要素，列_数据集中的标签：
pred=模型（特征[…，tf.newaxis]）
打印（pred）
#tf张量(
#[[-21.829016]
# [-22.071556]
# [-22.314102]
# [-22.556648]
# [-22.799194]
# [-23.041737]
# [-23.284283]
# [-23.52683 ]
# [-23.76937 ]
#[-24.011917]]，shape=（10,1），dtype=float32）

因为

input\u shape

将批量大小作为第一个参数。但您生成的数据集是整个数据集，而不是批处理数据集。尝试添加

tf.data.Dataset.from_tensor_slice（（x_train，y_train））.batch（102）

或更改

input_shape=（None，）

如果您想支持任意输入形状，因为

input_shape

将批量大小作为第一个参数。但您生成的数据集是整个数据集，而不是批处理数据集。尝试添加

tf.data.Dataset.from_tensor_切片（（x_列，y_列））.batch（102）

或更改

input_shape=（无，）

，如果您想支持任意输入形状