Question

如您所知，为了利用tf.estimator，需要实现模型函数构建一个产生批量（特征，标签）对的管道，因此签名应如下所示：

model_fn(features, labels, mode, params, config):

应从input_fn返回这些功能和标签。我们假设功能 - ＆gt; X和标签 - ＆gt; y，我在这里遇到问题，因为我有两种类型的标签。（目标，标签）

Features = X : [None, 2048]
Labels = targets: [None, 2048]
         labels: [None, 1]

为了提供目标和标签作为单独的参数而不仅仅是一个标签参数，可以选择什么？

注意：我尝试连接目标和标签，然后将它们切片到需要的位置，但在执行模型期间又产生了一个额外的问题。因此，我想知道你们是否还有其他更好的想法？

谢谢。

Answer 1

在input_fn中，您只需返回字典而不是张量作为标签。也就是说，您的输入函数可能会返回元组(features, labels)上的迭代器。 features和labels都可以是单个张量或dict。这个字典应该从字符串映射到张量。

您可以将数据集准备为返回三个元素(features, targets, labels)的数据集，然后包含一个映射以将目标打包到一个字典中（可能有更好的方法，但这有效）：

data = ...  # prepare dataset of 3-tuples

def pack_in_dict(features, targets, labels):
    return features, {"targets": targets, "labels": labels}

data = data.map(pack_in_dict)

现在，如果其中一个元素是dict（比如labels），那么model_fn的相应输入也将是一个dict。然后，您只需在labels["targets"]中使用labels["labels"]和model_fn。

如何为tf.estimator的input_fn提供额外的目标参数

1 个答案: