Python tf.data.Dataset.from_tensor_切片、张量和渴望模式

使用Iris数据集示例：

train_ds_url = "http://download.tensorflow.org/data/iris_training.csv"

使用的进口：

import tensorflow as tf
import pandas as pd
import numpy as np
tf.enable_eager_execution()

我下载了数据集，然后使用

pd.read

表示

train\u plantfeatures

，

train\u categories

数组

categories='Plants'

train_path = tf.keras.utils.get_file(train_ds_url.split('/')[-1], train_ds_url)

train = pd.read_csv(train_path, names=ds_columns, header=0)
train_plantfeatures, train_categories = train, train.pop(categories)

之后，我使用

tf.contrib.keras.utils.to_category

来创建分类表示

y_categorical = tf.contrib.keras.utils.to_categorical(train_categories, num_classes=3)

当我试图使用来自张量切片的

tf.data.Dataset

和

时

dataset = tf.data.Dataset.from_tensor_slices((train_plantfeatures, y_categorical))

我收到：

ValueError:无法将非矩形Python序列转换为张量

没有急切模式的相同实现也可以完美地工作。这里的示例
来自_tensor_slices（）

方法的

接收一个Numpy数组作为输入。但是在这种情况下，变量
train\u plantfeatures
是一个
DataFrame

type(train_plantfeatures)
`Out:` pandas.core.frame.DataFrame

要实现此功能，请添加
.values
以将Pandas转换为Numpy：

dataset = tf.data.Dataset.from_tensor_slices((train_plantfeatures.values,
                                              y_categorical))

对
test\u plantfeatures
变量执行相同操作：

dataset_test = tf.data.Dataset.from_tensor_slices((test_plantfeatures.values, 
                                                   y_categorical_test))