用张量流加载熊猫数据框并通过单个实例进行预测

Question

我在理解构建张量流模型和预处理熊猫数据框方面遇到困难。

我一直在关注此文档： https://www.tensorflow.org/tutorials/load_data/pandas_dataframe

第一个问题：

dataset = tf.data.Dataset.from_tensor_slices((df.values, target.values))
train_dataset = dataset.shuffle(len(df)).batch(1)

def get_compiled_model():
  model = tf.keras.Sequential([
    tf.keras.layers.Dense(10, activation='relu'),
    tf.keras.layers.Dense(10, activation='relu'),
    tf.keras.layers.Dense(1)
  ])

由于心脏病数据帧具有13个功能，为什么文档仅以10个单位初始化第一个Dense层？为什么看起来不像这样？

def get_compiled_model():
      model = tf.keras.Sequential([
        tf.keras.layers.InputLayer(input_shape=(13,),
        tf.keras.layers.Dense(10, activation='relu'),
        tf.keras.layers.Dense(10, activation='relu'),
        tf.keras.layers.Dense(1)
      ])

在文档中，它以10个单位的密集层开始，但是有13个功能，我不知道这是如何工作的。

最后一个问题：

我对模型进行了训练

model = get_compiled_model()
model.fit(train_dataset, epochs=15)

如何使用model.predict（）对训练数据的单个或多个实例/实例进行预测？

在将实例传递到model.predict方法之前，是否必须先将其转换为张量？ 即

model.predict（tensor(instance)）

谢谢！

Answer 1

创建模型有多种方法。

1. model.build（）
2. model.fit（）包含一些数据
3. 在第一层中指定一个input_shape自变量以进行自动构建。

即使不指定输入图层，当您拟合数据时，它也会自动调整输入大小。

应该给model.predict（）类似训练数据的输入。它可以是单个或多个（批次）输入。