TensorFlow2 特征列 feature_column

Posted 2023-04-27

参考技术A

特征列 通常用于对结构化数据实施特征工程时候使用，图像或者文本数据一般不会用到特征列。

tf.feature_column 主要针对离散特征和连续特征, 概括而言, 可以实现四种场景：

(1) 连续特征离散化, 分箱, hash, onehot, mutihot
(2) 高维离散特征映射成低维稠密向量
(3) 连续特征归一化
(4) 离散特征交叉组合

使用特征列可以将类别特征转换为 one-hot 编码特征，将连续特征构建分桶特征，以及对多个特征生成交叉特征等等。

要创建特征列，请调用 tf.feature_column 模块的函数。该模块中常用的九个函数如下图所示，所有九个函数都会返回一个 Categorical-Column 或一个 Dense-Column 对象，但却不会返回 bucketized_column，后者继承自这两个类。

注意：所有的 Catogorical Column 类型最终都要通过 indicator_column 转换成 Dense Column 类型才能传入模型！

以下是一个使用特征列解决 Titanic 生存问题的完整范例。

输出：

尝试使用 tensorflow 特征列时损失 nan

【中文标题】尝试使用 tensorflow 特征列时损失 nan

【英文标题】：loss nan when trying to work with tensorflow feature columns

【发布时间】：2021-10-05 18:02:35

【问题描述】：

我有this dataframe。

我正在尝试关注this example。

我要预测的目标值是zg500。我想使用的另一个功能是tas。

我想创建特征列，以结合经纬度：

import numpy as np
import pandas as pd
import numpy as np
import tensorflow as tf
from tensorflow import feature_column

df = pd.read_csv('./df.csv')
# if unamed column exists
#df.drop(['Unnamed: 0'],
#          axis=1,
#          inplace=True)

df.dropna(inplace=True)

# A utility method to create a tf.data dataset from a Pandas Dataframe
def df_to_dataset(dataframe, shuffle=True, batch_size=32):
  dataframe = dataframe.copy()
  labels = dataframe.pop('zg500')
  ds = tf.data.Dataset.from_tensor_slices((dict(dataframe), labels))
  if shuffle:
    ds = ds.shuffle(buffer_size=len(dataframe))
  ds = ds.batch(batch_size)
  return ds

batch_size = 16 
train_ds = df_to_dataset(df, batch_size=batch_size)

feature_columns = []
tas = feature_column.numeric_column("tas")
latitude = feature_column.numeric_column("lats")
longitude = feature_column.numeric_column("lons")
bucketized_lat = feature_column.bucketized_column(latitude, boundaries=[0, 20, 40, 70])
bucketized_lon = feature_column.bucketized_column(longitude, boundaries=[-45, -20, 0, 20, 60])

feature_columns.append(tas)
feature_columns.append(bucketized_lat)
feature_columns.append(bucketized_lon)
lat_lon = feature_column.crossed_column([bucketized_lat, bucketized_lon], 1000)
lat_lon = feature_column.indicator_column(lat_lon)
feature_columns.append(lat_lon)

feature_layer = tf.keras.layers.DenseFeatures(feature_columns)

创建模型：

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


model.compile(optimizer='adam',
              loss='mse')

 
history = model.fit(train_ds, epochs=2)

现在，我收到了 nan loss：

10918/10918 [==============================] - 10s 861us/step - loss: nan
Epoch 2/2
10918/10918 [==============================] - 10s 857us/step - loss: nan

另外，我想知道为什么使用df 数据框而不是train_ds：

history = model.fit(df.iloc[:, [0, 2, 3]].values,
                    df.iloc[:, 1].values,
                    epochs=2)

产生：

  ValueError: ('We expected a dictionary here. Instead we got: ', <tf.Tensor 'IteratorGetNext:0' shape=(32, 3) dtype=float32>)

【问题讨论】：

您可以追踪出现的第一个 NaN 值的来源。它是根据您可以检查的其他值计算得出的。例如，如果在第一个训练步骤之前损失不是NaN，然后​​变成NaN，这通常是由于学习率太高。另请参阅 ***.com/questions/40050397/… 和类似帖子。

【参考方案1】：

在损失中获得nan 的原因是您的目标值处于极端状态。它们的范围从 e^-32 到 e^31。你可以很容易地看到这一点。

df['zg500']
'''
0      -3.996248e-29
1       2.476790e+11
2      -1.010202e+08
3      -1.407987e-02
4       2.240596e-32
            ...     
1742   -1.682389e+11
1743   -4.802401e+00
1744   -3.480795e+31
1745    1.026754e+21
1746    1.790822e+23
Name: zg500, Length: 1739, dtype: float64
'''

我们缩放目标的解决方法。虽然不建议这样做，但我们别无选择。下面是使用Standard Scaler 来缩放目标的轻微修改。

ss = StandardScaler()
# A utility method to create a tf.data dataset from a Pandas Dataframe
def df_to_dataset(dataframe, shuffle=True, batch_size=32):
    dataframe = dataframe.copy()
    labels = ss.fit_transform(dataframe['zg500'].values.reshape(-1,1))
    ds = tf.data.Dataset.from_tensor_slices((dict(dataframe), labels))
    if shuffle:
        ds = ds.shuffle(buffer_size=len(dataframe))
    ds = ds.batch(batch_size)
    return ds

完成此操作后，以下是训练模型的结果。

history = model.fit(train_ds, epochs=2)
'''
Consider rewriting this model with the Functional API.
109/109 [==============================] - 1s 804us/step - loss: 27.0520
Epoch 2/10
109/109 [==============================] - 0s 769us/step - loss: 1.0166
Epoch 3/10
109/109 [==============================] - 0s 753us/step - loss: 1.0148
Epoch 4/10
109/109 [==============================] - 0s 779us/step - loss: 1.0115
Epoch 5/10
109/109 [==============================] - 0s 775us/step - loss: 1.0107
Epoch 6/10
109/109 [==============================] - 0s 915us/step - loss: 1.0107
Epoch 7/10
109/109 [==============================] - 0s 1ms/step - loss: 1.0034
Epoch 8/10
109/109 [==============================] - 0s 784us/step - loss: 1.0092
Epoch 9/10
109/109 [==============================] - 0s 735us/step - loss: 1.0151
Epoch 10/10
109/109 [==============================] - 0s 803us/step - loss: 1.0105
'''

【讨论】：

对我的上一个问题有什么想法吗？ using the df dataframe instead of train_ds?谢谢！ (upv)

@George 我不太确定。无论如何，我会努力让它发挥作用。如果是这样，我会更新我的答案。