如何将 CSV 数据导入 TensorFlow

Question

我最近开始使用 Tensor Flow 进行深度学习。我阅读了很多在线资源并为初学者参加了 Udacity 课程。我学到了很多深度学习的基本原理。但是我现在正在努力的一件事不是这些资源中的任何一个的主题。我不知道如何将自己的标记数据（CSV 格式）放入我的 Python 程序中来训练我的网络。我遇到了this posting 并开始以帖子显示的方式实现输入管道，并且到目前为止它一直有效。当我尝试通过使用

输入我的 特征 和 标签 来训练我的模型时

sess.run(optimizer, feed_dict={
        x: features,
        y: labels,
    })

TF 抛出错误

TypeError: The value of a feed cannot be a tf.Tensor object. Acceptable feed values include Python scalars, strings, lists, numpy ndarrays, or TensorHandles.

X 和 Y 被定义为占位符，会话正在调用 tf.global_variables_initializer()

x = tf.placeholder(tf.float32, shape=[10, batch_size])
y = tf.placeholder(tf.float32)

但是 tf.train.shuffle_batch 返回的对象是张量，对吧？我应该/可以将它们转换回像 Numpy 数组这样的有效数据类型，还是有任何其他更有效的方式来读取我的数据。

Answer 1

你可以通过两种方式做到这一点。

1. 使用 feed_dict：

   features_numpy,labels_numpy = sess.run([features,labels])
   sess.run(optimizer, feed_dict={ x: features_numpy,y: labels_numpy})
   

   运行会话，获取特征和标签的 numpy 值，并使用 feed_dict 将其提供给模型。但这是低效的，因为您将 TF 数据复制到 Numpy 并再次将其提供给 TF。关注2以获取有效方法。

2. 避免 feed_fict

   不要使用 feed_dict 和占位符。将特征和标签节点直接连接到模型。或者这样做

   x = features
   y = labels
   

   执行 sess.run(model_output/loss/accuracy) 以获取预测或训练模型。

我希望这会有所帮助。