使用tf.data.Dataset在tensorflow中进行多个热编码

我对tfapi TF.data.Dataset.from_tensor_slices（）有问题

下面的代码运行良好：

features = {'letter': [['A','A'], ['C','D'], ['E','F'], ['G','A'], ['X','R']]}

letter_feature = tf.feature_column.categorical_column_with_vocabulary_list(
                "letter", ["A", "B", "C"], dtype=tf.string)

target = [1,0,1,0,1]

indicator = tf.feature_column.indicator_column(letter_feature)

def make_input_fn (X,y):
    def input_fn():
        return (X,y)
    return input_fn

# THE INPUT FUNCTION WILL RETURN A SET : ( {'letter':[['A','A'],['C','D']...]}, [1,0,...] )

linear_estimator = tf.estimator.LinearClassifier(indicator)
input_fn = make_input_fn(features, target)

linear_estimator.train(input_fn)

这基本上允许我使用指标特征_列将一列形状（-1,2）输入到我的估计器模型中

现在我对以下用例有一个问题：

df_features = pd.DataFrame.from_dict(features)

######### this is the dataframe features####
#letter
#[A, A, A]
#[B, C, D]
#[B, E, F]
#[B, G, A]
#[B, X, R]

def make_input_fn (X,y):
    def input_fn():
        ds = tf.data.Dataset.from_tensor_slices((dict(X),y))
        ds = ds.shuffle(128)
        return ds
    return input_fn

linear_estimator = tf.estimator.LinearClassifier(indicator)
input_fn = make_input_fn(df_features,target)

linear_estimator.train(input_fn)

我最终得到了这个错误：

TypeError: Could not build a TypeSpec for 0    [A, A, A]
1    [B, C, D]
2    [B, E, F]
3    [B, G, A]
4    [B, X, R]
Name: letter, dtype: object with type Series ...
TypeError: Expected binary or unicode string, got ['A', 'A', 'A']

这真的很烦人，因为如果我有大数据集，我需要使用tf.data.dataset api为我的估计器提供小批量的训练，并最终分发训练过程

我需要一个解决方法来克服这个问题，我考虑过生成器，但我不确定如何实现它，但我想确定是否还有其他解决方案

---

谢谢大家!

为社区的利益详细阐述理查德的评论

错误，

TypeError:got['A'，'A'，'A']的预期二进制或unicode字符串可以通过进行以下更改来解决：

1. tf.data.Dataset.from_tensor_slices((dict(X), tf.one_hot(y, depth=2))) 
2. input_fn = make_input_fn(features,target) 
3. linear_estimator.train(input_fn, steps=2).

完整的工作代码如下所示：

import pandas as pd
import tensorflow as tf

features = {'letter': [['A','A'], ['C','D'], ['E','F'], ['G','A'], ['X','R']]}

df_features = pd.DataFrame.from_dict(features)

######### this is the dataframe features####
#letter
#[A, A, A]
#[B, C, D]
#[B, E, F]
#[B, G, A]
#[B, X, R]

letter_feature = tf.feature_column.categorical_column_with_vocabulary_list(
                "letter", ["A", "B", "C"], dtype=tf.string)


indicator = tf.feature_column.indicator_column(letter_feature)

target = [1,0,1,0,1]

def make_input_fn (X,y):
    def input_fn():
        ds = tf.data.Dataset.from_tensor_slices((dict(X), tf.one_hot(y, depth=2)))
        ds = ds.shuffle(128)
        return ds
    return input_fn

linear_estimator = tf.estimator.LinearClassifier(indicator)

input_fn = make_input_fn(features,target)

linear_estimator.train(input_fn, steps=2)

学习愉快
 你找到解决办法了吗？我想我可能误解了你的代码。。。所以一个输入样本可能是['A'，'A'，]，它的标签不知怎的是1，对吗？那么，为什么对于['E'，'F']，标签仍然是1？。。。我通过三个修改使代码运行：1<代码>tf.data.Dataset.来自张量切片（（dict（X），tf.one\u hot（y，深度=2））

；2. <代码>输入\u fn=进行输入\u fn（功能、目标）；3. <代码>线性估计器序列（输入fn，步数=2）。如果这些更改没有意义，请解释功能和目标的含义。