如何使用估计量之外的tensorflow.feature_列进行预测？

我想在会话中直接使用tensorflow feature_列和feature，绕过Estimator框架。我读书。问题是

tf.feature\u column.input\u layer

在构建时需要

features

feed，但是在训练和预测时，feed是不同的。查看

tf.Estimator

代码，方法似乎是再次调用相同的构造回调函数以获得图形。我提出了下面的示例，但如果在第二次构造之后跳过表init，则在未初始化的表上失败；或者，如果我运行表init，它会抱怨表已经初始化。根据，这是设计的，因为他们总是希望从保存点重新加载新模型。但对于强化学习这样的情况，我们希望在训练循环中同时进行更新和推断，这将是非常低效的。还不清楚他们想如何进行开发验证

为预测构建图形和提要特征的正确方法是什么

training_features = {
    'sales' : [[5], [10], [8], [9]],
    'department': ['sports', 'sports', 'gardening', 'gardening']}

test_features = {
    'sales' : [[10], [20], [16], [18]],
    'department': ['sports', 'sports', 'gardening', 'gardening']}

department_column = tf.feature_column.categorical_column_with_vocabulary_list(
        'department', ['sports', 'gardening'])
department_column = tf.feature_column.indicator_column(department_column)

columns = [
    tf.feature_column.numeric_column('sales'),
    department_column
]

# similar to a tf.Estimator's model_fn callback
def mkgraph(features):
    with tf.variable_scope('feature_test', reuse=tf.AUTO_REUSE):
        inputs = tf.feature_column.input_layer(features, columns)
        alpha = tf.placeholder(tf.float32, name='alpha')
        output = inputs * alpha
        return output, alpha

with tf.Graph().as_default() as g:
    output, alpha = mkgraph(training_features)
    print('output', output)
    print('alpha', alpha)
    var_init = tf.global_variables_initializer()
    table_init = tf.tables_initializer()
    with tf.Session(graph=g) as sess:
        sess.run([var_init, table_init])
        print(sess.run(output, feed_dict={alpha: 100.0})) # works here

        print('testing')
        output, alpha = mkgraph(test_features)
        print('output', output)
        print('alpha', alpha)
        table_init = tf.tables_initializer()
        # sess.run([table_init]) # with this, it fails on 'table already initialized'
        # without table_init run, it fails on 'table not initialized'
        print(sess.run(output, feed_dict={alpha: 200.0}))

---

如果您有一个训练数据集和一个测试数据集，并且需要在它们之间来回切换，您可以尝试使用

is\u training

开关。关于问题中的具体示例：

import tensorflow as tf

training_features = {
    'sales' : [[5], [10], [8], [9]],
    'department': ['sports', 'sports', 'gardening', 'gardening']}
test_features = {
    'sales' : [[10], [20], [16], [18]],
    'department': ['sports', 'sports', 'gardening', 'gardening']}

department_column = tf.feature_column.categorical_column_with_vocabulary_list(
        'department', ['sports', 'gardening'])
department_column = tf.feature_column.indicator_column(department_column)
columns = [
    tf.feature_column.numeric_column('sales'),
    department_column
]

with tf.variable_scope('feature_test', reuse=tf.AUTO_REUSE):
    alpha = tf.placeholder(tf.float32, name='alpha')
    is_training = tf.placeholder(tf.bool, name='is_training')
    training_inputs = tf.feature_column.input_layer(training_features, columns)
    test_inputs = tf.feature_column.input_layer(test_features, columns)
    output = tf.cond(is_training,
                     lambda: training_inputs * alpha,
                     lambda: test_inputs * alpha)

var_init = tf.global_variables_initializer()
table_init = tf.tables_initializer()

with tf.Session() as sess:
    sess.run([var_init, table_init])

    print('training')
    print(sess.run(output, feed_dict={alpha: 100.0, is_training: True}))

    print('testing')
    print(sess.run(output, feed_dict={alpha: 200.0, is_training: False}))

---

一个潜在的问题是

功能列

都被启动。我不认为他们会把所有的东西都装进去，然后消耗掉所有的记忆。但是它们可能会占用更多的内存，并且可能会给您带来一些麻烦。

您好，我在

feature\u专栏

中遇到了类似的难题。这个问题解决了吗？添加一个在培训和测试之间切换的开关会有帮助吗？对于开发验证部分，我认为培训循环已经完成了交叉验证，因此我们不需要在外部进行。但是在RL类情况下，迭代输入训练数据和推理数据的一般问题没有答案。我想我有一个比你使用RL更简单的例子。但一般来说，我需要使用

feature\u列

在列车组和测试组之间切换。增加一个开关对我有帮助，尽管我不确定这是否是最好的方法。希望我下面的答案能帮助你。