如何为 tf.estimator 的 input_fn 提供额外的目标参数答案

【问题标题】：how to provide a extra target argument to input_fn of tf.estimator如何为 tf.estimator 的 input_fn 提供额外的目标参数
【发布时间】：2018-06-15 00:53:23
【问题描述】：

如您所知，为了使用 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):

这些特征和标签应该从 input_fn 返回。我们假设特征 -> X 和标签 -> 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是一个标签参数，还有什么替代方法？

注意：我尝试连接目标和标签，然后在需要的地方对其进行切片，但它在模型执行期间产生了额外的问题。因此，我想知道你们是否还有其他更好的想法？

谢谢。

【问题讨论】：

标签： python-3.x tensorflow keras deep-learning

【解决方案1】：

在您的input_fn 中，您可以简单地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 dict 应该从字符串映射到张量。

您可以将数据集准备为一个返回三个元素 (features, targets, labels) 的数据集，然后包含一个映射以将目标打包到一个 dict 中（可能有更好的方法，但这是可行的）：

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一个字典（例如，labels），那么model_fn 的相应输入也将是一个字典。然后，您可以在您的model_fn 中简单地使用labels["targets"] 和labels["labels"]。

【讨论】：

谢谢@xdurch0，让我试试看，如果有异常情况在这里更新。