代码： 从sklearn导入cross_validation作为cv 导入numpy为np 来自tensorflow.contrib.learn.python.learn.estimators import estimator 来自tensorflow.contrib.tensor_forest.python import tensor_forest
X = np.array([[ 74., 166., 331., 161., 159., 181., 180.],
[ 437., 427., 371., 361., 393., 465., 464.],
[ 546., 564., 588., 595., 536., 537., 520.],
[ 89., 89., 87., 87., 108., 113., 111.],
[ 75., 90., 74., 89., 130., 140., 135.]])
Y = np.array([[ 51., 43., 29., 43., 43., 41., 42.],
[ 22., 23., 26., 27., 25., 19., 19.],
[ 7., 7., 5., 5., 9., 8., 10.],
[ 55., 54., 55., 53., 51., 51., 51.],
[ 58., 57., 57., 58., 55., 55., 55.]])
train_X, test_X, train_Y, test_Y = cv.train_test_split(X, Y,
test_size=0.50, random_state=42)
def build_estimator() :
params = tensor_forest.ForestHParams(num_classes=7, num_features=7,
num_trees=30, max_nodes=100)
graph_builder_class = tensor_forest.RandomForestGraphs
graph_builder_class = tensor_forest.TrainingLossForest
return estimator.SKCompat(random_forest.TensorForestEstimator(
params, graph_builder_class=graph_builder_class,
model_dir=None))
est = build_estimator()
train_X = train_X.astype(dtype = np.float32)
train_Y = train_Y.astype(dtype = np.float32)
est = est.fit(x=train_X, y=train_Y, batch_size = 100)
我的输入和输出形状都是[Number_of_samples，7]。它完美地运行scikitlearn随机森林分类器。但是对于学习，我在拟合估算器时会出现以下错误：
INFO：tensorflow：使用params =构建森林 信息：tensorflow：{＆＃39; valid_leaf_threshold＆＃39;：1，＆＃39; split_after_samples＆＃39;： 250，＆＃39; num_output_columns＆＃39;：8，＆＃39; feature_bagging_fraction＆＃39;：1.0， ＆＃39; split_initializations_per_input＆＃39;：1，＆＃39; bagged_features＆＃39;：无， ＆＃39; min_split_samples＆＃39;：5，＆＃39; max_nodes＆＃39;：100，＆＃39; num_features＆＃39;：7， ＆＃39; num_trees＆＃39;：30，＆＃39; num_splits_to_consider＆＃39;：7，＆＃39; base_random_seed＆＃39;：0， ＆＃39; num_outputs＆＃39;：1，＆＃39; dominate_fraction＆＃39;：0.99，＆＃39; max_fertile_nodes＆＃39;：50， ＆＃39; bagged_num_features＆＃39;：7，＆＃39; dominate_method＆＃39;：＆＃39; bootstrap＆＃39;， ＆＃39; bagging_fraction＆＃39;：1.0，＆＃39;回归＆＃39;：False，＆＃39; num_classes＆＃39;：7}
ValueErrorTraceback（最近一次调用最后一次） in（） ----＆GT; 1 est = est.fit（x = train_X，y = train_Y，batch_size = 100）
/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/learn/python/learn/estimators/estimator.pyc in fit（self，x，y，batch_size，steps，max_steps，monitors）1351
steps = steps，1352 max_steps = max_steps， - ＆GT; 1353 monitor = all_monitors）1354 return self 1355/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/tensor_forest/client/random_forest.pyc in fit（self，x，y，input_fn，steps，batch_size，monitors，max_steps） 262 elif输入不是None： 263 self._estimator.fit（input_fn = input_fn，steps = steps，monitors = monitors， - ＆GT; 264 max_steps = max_steps） 265其他： 266引发ValueError（＆＃39;适合：必须同时提供x和y或input_fn。＆＃39;）
/usr/local/lib/python2.7/dist-packages/tensorflow/python/util/deprecation.pyc 在new_func（* args，** kwargs） 278 _call_location（），decorator_utils.get_qualified_name（func）， 279 func。模块，arg_name，日期，说明） - ＆GT; 280 return func（* args，** kwargs） 281 new_func。 doc = _add_deprecated_arg_notice_to_docstring（ 282 func。 doc ，日期，说明）
/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/learn/python/learn/estimators/estimator.pyc in fit（self，x，y，input_fn，steps，batch_size，monitors，max_steps） 424 hooks.append（basic_session_run_hooks.StopAtStepHook（steps，max_steps）） 425 - ＆GT; 426 loss = self._train_model（input_fn = input_fn，hooks = hooks） 427 logging.info（＆＃39;最后一步的损失：％s。＆＃39;，损失） 428回归自我
/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/learn/python/learn/estimators/estimator.pyc 在_train_model中（self，input_fn，hooks） 932个功能，标签= input_fn（） 933 self._check_inputs（功能，标签） - ＆GT; 934 model_fn_ops = self._call_legacy_get_train_ops（功能，标签） 935 ops.add_to_collection（ops.GraphKeys.LOSSES，model_fn_ops.loss） 936 all_hooks.extend（[
/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/learn/python/learn/estimators/estimator.pyc in _call_legacy_get_train_ops（self，features，labels）1001 1002 def _call_legacy_get_train_ops（self，features，labels）： - ＆GT; 1003 train_ops = self._get_train_ops（features，labels）1004 if isinstance（train_ops，model_fn_lib.ModelFnOps）：＃Default 签名1005返回train_ops
/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/learn/python/learn/estimators/estimator.pyc 在_get_train_ops（自我，功能，标签）1160
ModelFnOps宾语。 1161＆＃34;＆＃34;＆＃34; - ＆GT; 1162返回self._call_model_fn（features，labels，model_fn_lib.ModeKeys.TRAIN）1163 1164 def _get_eval_ops（自我，功能，标签，指标）：/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/learn/python/learn/estimators/estimator.pyc 在_call_model_fn（自我，功能，标签，模式）1131 if ＆＃39; model_dir＆＃39;在model_fn_args中：1132 kwargs [＆＃39; model_dir＆＃39;] = self.model_dir - ＆GT; 1133 model_fn_results = self._model_fn（features，labels，** kwargs）1134 1135 if isinstance（model_fn_results，model_fn_lib.ModelFnOps）：
/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/tensor_forest/client/random_forest.pyc 在_model_fn中（功能，标签） 128如果标签不是None： 129 training_loss = graph_builder.training_loss（ - ＆GT; 130个功能，标签，名称= LOSS_NAME） 131 training_graph = control_flow_ops.group（ 132 graph_builder.training_graph（
/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/tensor_forest/python/tensor_forest.pyc 在training_loss（自我，功能，标签，名称） 559 560 def training_loss（自我，功能，标签，名称=＆＃39; training_loss＆＃39;）： - ＆GT; 561返回array_ops.identity（self._get_loss（features，labels），name = name） 562 563
/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/tensor_forest/python/tensor_forest.pyc 在_get_loss中（自我，功能，标签） 548 self._loss = control_flow_ops.cond（ 549 self.average_size（）＆gt; 0，_average_loss， - ＆GT; 550 lambda：constant_op.constant（sys.maxsize，dtype = dtypes.float32）） 551 552返回self._loss
/usr/local/lib/python2.7/dist-packages/tensorflow/python/ops/control_flow_ops.pyc 在cond（pred，fn1，fn2，name）1757 context_t = CondContext（pred，pivot_1，branch = 1）1758 context_t.Enter（） - ＆GT; 1759 orig_res，res_t = context_t.BuildCondBranch（fn1）1760 context_t.ExitResult（res_t）1761 context_t.Exit（）
/usr/local/lib/python2.7/dist-packages/tensorflow/python/ops/control_flow_ops.pyc 在BuildCondBranch（self，fn）1658 def BuildCondBranch（self，fn）： 1659＆＃34;＆＃34;＆＃34;将fn（）定义的子图添加到图中。＆＃34;＆＃34;＆＃34; - ＆GT; 1660 r = fn（）1661 original_r = r 1662 result = []
/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/tensor_forest/python/tensor_forest.pyc 在_average_loss（）中 544 probs = self.inference_graph（features） 545返回math_ops.reduce_sum（self.loss_fn（ - ＆GT; 546 probs，labels））/ math_ops.to_float（array_ops.shape（labels）[0]） 547 548 self._loss = control_flow_ops.cond（
/usr/local/lib/python2.7/dist-packages/tensorflow/contrib/tensor_forest/python/tensor_forest.pyc in _loss（probs，targets） 508 def _loss（probs，targets）： 509 if targets.get_shape（）。ndims＆gt; 1： - ＆GT; 510 targets = array_ops.squeeze（targets，squeeze_dims = [1]） 511 one_hot_labels = array_ops.one_hot（ 512 math_ops.to_int32（targets），
/usr/local/lib/python2.7/dist-packages/tensorflow/python/ops/array_ops.pyc 在挤压（输入，轴，名称，squeeze_dims）2270如果 np.isscalar（轴）：2271轴= [轴] - ＆GT; 2272返回gen_array_ops._squeeze（输入，轴，名称）2273 2274
/usr/local/lib/python2.7/dist-packages/tensorflow/python/ops/gen_array_ops.pyc 在_squeeze（输入，squeeze_dims，名称）3496＆＃34;＆＃34;＆＃34; 3497结果 = _op_def_lib.apply_op（＆＃34; Squeeze＆＃34;，input = input， - ＆GT; 3498 squeeze_dims = squeeze_dims，name = name）3499返回结果3500
/usr/local/lib/python2.7/dist-packages/tensorflow/python/framework/op_def_library.pyc 在apply_op中（self，op_type_name，name，** keywords） 761 op = g.create_op（op_type_name，inputs，output_types，name = scope， 762 input_types = input_types，attrs = attr_protos， - ＆GT; 763 op_def = op_def） 764如果output_structure： 765输出= op.outputs
/usr/local/lib/python2.7/dist-packages/tensorflow/python/framework/ops.pyc 在create_op中（self，op_type，inputs，dtypes，input_types，name，attrs， op_def，compute_shapes，compute_device）2395
original_op = self._default_original_op，op_def = op_def）2396 if compute_shapes： - ＆GT; 2397 set_shapes_for_outputs（ret）2398 self._add_op（ret）2399
self._record_op_seen_by_control_dependencies（RET）/usr/local/lib/python2.7/dist-packages/tensorflow/python/framework/ops.pyc 在set_shapes_for_outputs（op）1755 shape_func = _call_cpp_shape_fn_and_require_op 1756 - ＆GT; 1757 shapes = shape_func（op）1758如果形状为None：1759引发RuntimeError（
/usr/local/lib/python2.7/dist-packages/tensorflow/python/framework/ops.pyc 在call_with_requiring（op）1705 1706 def call_with_requiring（OP）： - ＆GT; 1707 return call_cpp_shape_fn（op，require_shape_fn = True）1708 1709 _call_cpp_shape_fn_and_require_op = call_with_requiring
/usr/local/lib/python2.7/dist-packages/tensorflow/python/framework/common_shapes.pyc 在call_cpp_shape_fn中（op，input_tensors_needed， input_tensors_as_shapes_needed，debug_python_shape_fn， require_shape_fn） 608 res = _call_cpp_shape_fn_impl（op，input_tensors_needed， 609 input_tensors_as_shapes_needed， - ＆GT; 610 debug_python_shape_fn，require_shape_fn） 611如果不是isinstance（res，dict）： 612＃处理_call_cpp_shape_fn_impl调用unknown_shape（op）的情况。
/usr/local/lib/python2.7/dist-packages/tensorflow/python/framework/common_shapes.pyc 在_call_cpp_shape_fn_impl中（op，input_tensors_needed， input_tensors_as_shapes_needed，debug_python_shape_fn， require_shape_fn） 673 missing_shape_fn =真 674其他： - ＆GT; 675引发ValueError（err.message） 676 677如果missing_shape_fn：
ValueError：无法挤压暗淡[1]，预计维度为1，得到7 for＆＃39; cond / Squeeze＆＃39; （op：＆＃39; Squeeze＆＃39;）输入形状：[？，7]。
答案 0 :(得分：1)
现在，当使用TrainingLossForest时，它会假定分类问题。我会在内部解决这个问题，但是现在你可以通过以下方式解决这个问题：
来自tensorflow.contrib.losses.python.losses import loss_ops
def _loss_fn（值，目标）： return loss_ops.mean_squared_error（values，targets）
def _builder_class（params，** kwargs）： return tensor_forest.TrainingLossForest（ params，loss_fn = _loss_fn，** kwargs）
TensorForestEstimator（...，graph_builder_class = _builder_class）
或者你想要的任何损失函数（以MSE为例）。此外，简单地使用（graph_builder_class = tensor_forest.RandomForestGraphs）应该足够了，但是损失是节点的数量，因此当森林停止增长或达到max_nodes时训练停止，这可能不是你想要的。