带有gcloud ml引擎作业的tensorflow估计器RNN分类器的值错误

我正在处理task.py文件以提交gcloud MLEngine作业。以前，我使用tensorflow.estimator.DNNClassifier成功地提交了包含我的数据的作业（仅包含加密货币价格和数量的8列连续数字数据；无分类）

我现在切换到tensorflow contrib估计器RNNClassifier。这是我的相关部分的当前代码：

def get_feature_columns():
  return [
      tf.feature_column.numeric_column(feature, shape=(1,))
      for feature in column_names[:len(column_names)-1]
  ]

def build_estimator(config, learning_rate, num_units):
  return tf.contrib.estimator.RNNClassifier(
    sequence_feature_columns=get_feature_columns(),
    num_units=num_units,
    cell_type='lstm',
    rnn_cell_fn=None,
    optimizer=tf.train.AdamOptimizer(learning_rate=learning_rate),
    config=config)

estimator = build_estimator(
    config=run_config,
    learning_rate=args.learning_rate,
    num_units=[32, 16])

tf.estimator.train_and_evaluate(estimator, train_spec, eval_spec)

但是，我得到以下ValueError：

ValueError: All feature_columns must be of type _SequenceDenseColumn. You can wrap a sequence_categorical_column with an embedding_column or indicator_column. Given (type <class 'tensorflow.python.feature_column.feature_column_v2.NumericColumn'>): NumericColumn(key='LTCUSD_close', shape=(1,), default_value=None, dtype=tf.float32, normalizer_fn=None)

ValueError:所有要素列必须为_SequenceDenseColumn类型。您可以使用嵌入列或指示符列包装序列列和分类列。给定（类型）：NumericColumn（key='LTCUSD\u close'，shape=（1，），默认值=None，dtype=tf.float32，normalizer\u fn=None）

---

我不理解这一点，因为数据不是分类的。

您之所以会出现此错误，是因为您使用了数字特征列，而这种估计器只能接受序列特征列，因为您可以在屏幕上看到它

因此，您必须使用@Ben7指出的数值列，而不是数字列。然而，根据文件，序列特征列需要稀疏传感器，序列数值列是稠密张量。这似乎是矛盾的

这里是我用来解决这个问题的一个变通方法（我从中获取了to_稀疏张量函数）：

def到_稀疏_张量（密集）：
#序列\数值\列默认值为float32
零=tf.constant（0.0，dtype=tf.dtypes.float32）
式中=tf.不等于（稠密，零）
指数=tf.where（where）
值=tf.聚集（密集，索引）
返回tf.SparseTensor（索引、值、tf.shape（稠密、out_type=tf.dtypes.int64））
def get_功能_列（）：
返回[
tf.feature\u column.sequence\u numeric\u column（feature，shape=（1，），normalizer\u fn=to\u sparse\u tensor）
对于列名称中的要素[：len（列名称）-1]
]

将tf.feature\u column.numeric\u column更改为tf.contrib.feature\u column.sequence\u numeric\u column会导致：“类型错误：输入必须是SparseTensor。”