Python TensorFlow：从CSV文件读取和使用数据

我试过Tensorflow提供的代码

我也尝试过Nicolas提供的解决方案，我遇到了一个错误：

ValueError:形状（）的秩必须至少为1

但是我无法操纵代码，这样我就可以获取数据并将其放入

train_X

和

train_Y

变量中

我目前正在为变量

train\u X

和

train\u Y

使用硬编码数据

我的csv文件包含两列，高度和充电状态（SoC），其中高度是一个浮点值，SoC是一个整数（Int），从0开始，增量为10，最大为100

我想从列中获取数据，并将其用于线性回归模型，其中高度是Y值，SoC是x值

这是我的密码：

filename_queue = tf.train.string_input_producer("battdata.csv")

reader = tf.TextLineReader()
key, value = reader.read(filename_queue)

# Default values, in case of empty columns. Also specifies the type of the
# decoded result.
record_defaults = [[1], [1]]
col1, col2= tf.decode_csv(
    value, record_defaults=record_defaults)
features = tf.stack([col1, col2])

with tf.Session() as sess:
  # Start populating the filename queue.
  coord = tf.train.Coordinator()
  threads = tf.train.start_queue_runners(coord=coord)

  for i in range(1200):
    # Retrieve a single instance:
    example, label = sess.run([features, col2])

  coord.request_stop()
  coord.join(threads)

我想更改此模型中csv数据的使用：

# Parameters
learning_rate = 0.01
training_epochs = 1000
display_step = 50

# Training Data
train_X = numpy.asarray([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,
                         7.042,10.791,5.313,7.997,5.654,9.27,3.1])
train_Y = numpy.asarray([1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,
                         2.827,3.465,1.65,2.904,2.42,2.94,1.3])
n_samples = train_X.shape[0]

# tf Graph Input
X = tf.placeholder("float")#Charge
Y = tf.placeholder("float")#Height

# Set model weights
W = tf.Variable(rng.randn(), name="weight")
b = tf.Variable(rng.randn(), name="bias")

# Construct a linear model
pred = tf.add(tf.multiply(X, W), b) # XW + b <- y = mx + b  where W is gradient, b is intercept

# Mean squared error
cost = tf.reduce_sum(tf.pow(pred-Y, 2))/(2*n_samples)
# Gradient descent
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

# Initializing the variables
init = tf.global_variables_initializer()

# Launch the graph
    with tf.Session() as sess:
        sess.run(init)

        # Fit all training data
        for epoch in range(training_epochs):
            for (x, y) in zip(train_X, train_Y):
                sess.run(optimizer, feed_dict={X: x, Y: y})

            #Display logs per epoch step
            if (epoch+1) % display_step == 0:
                c = sess.run(cost, feed_dict={X: train_X, Y:train_Y})
                print( "Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(c), \
                    "W=", sess.run(W), "b=", sess.run(b))

        print("Optimization Finished!")
        training_cost = sess.run(cost, feed_dict={X: train_X, Y: train_Y})
        print ("Training cost=", training_cost, "W=", sess.run(W), "b=", sess.run(b), '\n')

        #Graphic display
        plt.plot(train_X, train_Y, 'ro', label='Original data')
        plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')
        plt.legend()
        plt.show()

---

你所需要做的就是用你从

decode\u csv

方法得到的op替换你的

占位符

张量。这样，无论何时运行

Optimizer

，TensorFlow图都会要求通过各种Tensor依赖项从文件中读取新行：

optimizer

=>

成本

=>

pred

=>

X

成本

=>

Y

它会给出这样的结果：

filename_queue = tf.train.string_input_producer("battdata.csv")

reader = tf.TextLineReader()
key, value = reader.read(filename_queue)

# Default values, in case of empty columns. Also specifies the type of the
# decoded result.
record_defaults = [[1.], [1]]
X, Y = tf.decode_csv(
    value, record_defaults=record_defaults)

# Set model weights
W = tf.Variable(rng.randn(), name="weight")
b = tf.Variable(rng.randn(), name="bias")

# Construct a linear model
pred = tf.add(tf.multiply(X, W), b) # XW + b <- y = mx + b  where W is gradient, b is intercept

# Mean squared error
cost = tf.reduce_sum(tf.pow(pred-Y, 2))/(2*n_samples)
# Gradient descent
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

# Initializing the variables
init = tf.global_variables_initializer()

with tf.Session() as sess:
  # Start populating the filename queue.
  coord = tf.train.Coordinator()
  threads = tf.train.start_queue_runners(coord=coord)

  # Fit all training data
  for epoch in range(training_epochs):
      _, cost_value = sess.run([optimizer, cost])

   [...] # The rest of your code

  coord.request_stop()
  coord.join(threads) 

filename\u queue=tf.train.string\u input\u producer（“battdata.csv”）
reader=tf.TextLineReader（）
key，value=reader.read（文件名\队列）
#如果列为空，则为默认值。还指定了
#解码结果。
记录_默认值=[[1.]，[1]]
十、 Y=tf.decode\u csv(
值，记录默认值=记录默认值）
#设置模型权重
W=tf.Variable（rng.randn（），name=“weight”）
b=tf.Variable（rng.randn（），name=“bias”）
#构建一个线性模型
pred=tf.add（tf.multiply（X，W），b）#XW+b我遇到了同样的问题，问题的解决方式如下：

tf.train.string_input_producer(tf.train.match_filenames_once("medal.csv"))

在这里找到这个：

tf.train.string_input_producer(tf.train.match_filenames_once("medal.csv"))