Bir csv dosyası için TensorFlow'daki dtype'ı nasıl değiştiririm?

Question

İşte

import tensorflow as tf 
import numpy as np 
import input_data 

filename_queue = tf.train.string_input_producer(["cs-training.csv"]) 

reader = tf.TextLineReader() 
key, value = reader.read(filename_queue) 

record_defaults = [[1], [1], [1], [1], [1], [1], [1], [1], [1], [1], [1]] 
col1, col2, col3, col4, col5, col6, col7, col8, col9, col10, col11 = tf.decode_csv(
    value, record_defaults=record_defaults) 
features = tf.concat(0, [col2, col3, col4, col5, col6, col7, col8, col9, col10, col11]) 

with tf.Session() as sess: 
    # Start populating the filename queue. 
    coord = tf.train.Coordinator() 
    threads = tf.train.start_queue_runners(coord=coord) 

    for i in range(1200): 
    # Retrieve a single instance: 
    print i 
    example, label = sess.run([features, col1]) 
    try: 
     print example, label 
    except: 
     pass 

    coord.request_stop() 
    coord.join(threads) 

Bu kod aşağıda hatası döndüren Çalıştır-çalışıyorum koddur.

--------------------------------------------------------------------------- 
InvalidArgumentError      Traceback (most recent call last) 
<ipython-input-23-e42fe2609a15> in <module>() 
     7  # Retrieve a single instance: 
     8  print i 
----> 9  example, label = sess.run([features, col1]) 
    10  try: 
    11   print example, label 

/root/anaconda/lib/python2.7/site-packages/tensorflow/python/client/session.pyc in run(self, fetches, feed_dict) 
    343 
    344  # Run request and get response. 
--> 345  results = self._do_run(target_list, unique_fetch_targets, feed_dict_string) 
    346 
    347  # User may have fetched the same tensor multiple times, but we 

/root/anaconda/lib/python2.7/site-packages/tensorflow/python/client/session.pyc in _do_run(self, target_list, fetch_list, feed_dict) 
    417   # pylint: disable=protected-access 
    418   raise errors._make_specific_exception(node_def, op, e.error_message, 
--> 419            e.code) 
    420   # pylint: enable=protected-access 
    421  raise e_type, e_value, e_traceback 

InvalidArgumentError: Field 1 in record 0 is not a valid int32: 0.766126609 

Sorunla alakasız olduğunu düşündüğüm birçok bilgi var. Açıkçası sorun şu ki, programa beslediğim birçok veri, int32 intikalinin değil. Çoğu float numaraları. tf.concat'un yanı sıra tf.decode_csv'da dtype=float argümanını açıkça ayarlamak gibi dtype'ı değiştirmek için birkaç şey denedim. Ne işe yaramadı. Bu geçersiz bir argüman. Tamamen kapalı olması için, bu kodun gerçekten de verileri tahmin edip etmeyeceğini bilmiyorum. Col1'in 1 ya da 0 olacağını tahmin etmesini istiyorum ve kodda aslında bu tahmini yapacak olan bir şey göremiyorum. Belki bu soruyu farklı bir konu için kaydederim. Herhangi bir yardım büyük beğeni topluyor! Eğer Col1 çıktısını bile, bu iletiyi alırsınız, bunu sonra

Answer 1

d_type değişen cevabı sadece yani-

record_defaults = [[1.], [1.], [1.], [1.], [1.], [1.], [1.], [1.], [1.], [1.], [1.]] 

gibi varsayılan değiştirmektir.

Tensor("DecodeCSV_43:0", shape=TensorShape([]), dtype=float32) 

Ama cevabı özetlersek which has been answered here., içine çalışacak başka hata var, geçici çözüm şöyle tf.pack için tf.concat değiştirmektir.

features = tf.pack([col2, col3, col4, col5, col6, col7, col8, col9, col10, col11]) 

Answer 2

tf.decode_csv() arabirimi biraz zor. Her sütunun dtype numarası, record_defaults bağımsız değişkeninin ilgili öğesi tarafından belirlenir. Kodunuzdaki record_defaults değeri, türü olarak tf.int32 olan her sütun olarak yorumlanır ve bu, kayan nokta verileriyle karşılaştığında bir hataya neden olur. aşağıdaki gibi record_defaults kuracağına,gerekli olan tüm sütunların varsayarsak

4, 8, 9, 4.5 
2, 5, 1, 3.7 
2, 2, 2, 0.1 

:

bir kayan nokta sütun ardından üç tamsayı sütun içeren, en aşağıdaki CSV veri var diyelim

value = ... 

record_defaults = [tf.constant([], dtype=tf.int32), # Column 0 
        tf.constant([], dtype=tf.int32), # Column 1 
        tf.constant([], dtype=tf.int32), # Column 2 
        tf.constant([], dtype=tf.float32)] # Column 3 

col0, col1, col2, col3 = tf.decode_csv(value, record_defaults=record_defauts) 

assert col0.dtype == tf.int32 
assert col1.dtype == tf.int32 
assert col2.dtype == tf.int32 
assert col3.dtype == tf.float32 

record_defaults içinde boş bir değer, değerin gerekli olduğunu belirtir. (Örneğin) sütunu 2 kayıp değerlerine sahip izin verilmesi halinde aşağıdaki gibi Alternatif olarak, record_defaults tanımlarsınız:

record_defaults = [tf.constant([], dtype=tf.int32),  # Column 0 
        tf.constant([], dtype=tf.int32),  # Column 1 
        tf.constant([0], dtype=tf.int32), # Column 2 
        tf.constant([], dtype=tf.float32)] # Column 3 

inşa etmek ve birinin değerini tahmin eden bir model eğitmek için nasıl soru kaygıları ikinci bölümü giriş verilerinden sütunlar. Şu anda, program şunları yapmaz: sadece sütunları features adı verilen tek bir tensörle birleştirir. Verileri yorumlayan bir modeli tanımlamanız ve eğitmeniz gerekecektir. Bu tür en basit yaklaşımlardan biri doğrusal regresyon ve bu eğiticiyi probleminize uyarlanabilir linear regression in TensorFlow.