在TensorFlow中使用广泛和深入的学习网络进行预测

Question

我已在我的数据集上培训了一个广泛而深入的学习网络，其中包含属性 - product_id，views，likes，dislikes，shares，user_ratings。 user_ratings被视为目标变量。我能够根据我提供的测试集来评估我的模型。但我无法理解如何生成预测。我已经使用了＆＃34;预测＆＃34;方法如下，但我得到的只是[1]：

model.predict(input_fn=lambda : input_fn(df_train[:1]),as_iterable=False)

其中input_fn是：

def input_fn(df):
  continuous_cols = {k: tf.constant(df[k].values) for k in CONTINUOUS_COLUMNS}
  categorical_cols = {
  k: tf.SparseTensor(
      indices=[[i, 0] for i in range(df[k].size)],
      values=df[k].values,
      dense_shape=[df[k].size, 1])
  for k in CATEGORICAL_COLUMNS}
  feature_cols = dict(continuous_cols)
  feature_cols.update(categorical_cols)
  product_name = tf.constant(df[TARGET_COLUMN].values)
  return feature_cols, product_name

另外，在df_train [：1]中，我给出了user_rating值。但是当我尝试删除此列并执行它时，它显示错误。问题是该模型正在研究二进制分类问题，但我想使用10个类别进行用户评级（1到10）。

我怎样才能做到这一点？提前致谢。

Answer 1

我通过传递 - ＆gt;解决了我的问题n_classes =模型的10个参数。