我读到feature columns in tensorflow用于定义我们的数据但是如何以及为什么？如果我们可以在没有它们的情况下制作自定义估算器，那么功能列如何工作以及为什么它们甚至存在？
如果有必要，为什么喜欢keras的图书馆不会使用它们？
答案 0 :(得分：3)
这可能过于笼统而无法回答。您可能希望观看一些视频或阅读有关机器学习的更多内容，因为这是一个广泛的主题。
我将尝试解释用于哪些数据功能。
数据的“特征”是一个有意义的变量，应该将两个类彼此分开。例如，如果我们选择“重量”这个特征，我们可以告诉大象除了松鼠。它们具有非常不同的权重，我们的机器学习算法可以学习“理解”重量较大的动物比松鼠更可能是大象。在实际情况中，您通常会有多个功能。
我不确定为什么你会说Keras没有使用功能。它们是许多分类问题的基本方面。某些数据集可能包含标记数据或标记的要素，如下所示：https://keras.io/datasets/#cifar100-small-image-classification
当我们“不使用功能”时，我认为可以更准确地说明数据未标记的情况。在这种情况下，机器学习算法仍然可以在数据中找到关系，但没有将人类标签应用于数据。
如果您Ctrl+F在此页面上显示“功能”一词，您会看到Keras接受它们作为参数的地方：https://keras.io/layers/core/
我不是机器学习专家，所以如果有人能够纠正我的答案，我也会很感激。
编辑： 我对Tensorflow's feature columns实现的理解特别是它们允许您将原始数据转换为类型化列，以便算法更好地区分您传递的数据类型。例如，纬度和经度可以作为两个数字列传递，但正如文档所说here，使用经纬度X经度的交叉列可以允许模型以更有意义/有效的方式训练数据。毕竟，“纬度”和“经度”的真正含义是“位置”。至于为什么Keras没有这个功能，我不确定，希望其他人可以提供有关这个主题的见解。