38、深入探索：TensorFlow 机制与卷积神经网络

深入探索：TensorFlow 机制与卷积神经网络

一、TensorFlow 预定义估计器的使用

当类别数量较多时，使用维度少于类别数的嵌入列可以提升性能。下面是将类别特征转换为密集格式的代码示例：

categorical_indicator_features = []
categorical_indicator_features.append(
    tf.feature_column.indicator_column(feature_origin))

使用预定义估计器的步骤可总结为以下四步：
1. 定义数据加载的输入函数 ：处理数据并返回包含输入特征和标签的 TensorFlow 数据集。
2. 将数据集转换为特征列 ：将连续特征、分桶特征和类别特征列合并为一个列表。
3. 实例化估计器 ：可以使用预定义的估计器，或通过将 Keras 模型转换为估计器来创建新的估计器。
4. 使用估计器的 train()、evaluate() 和 predict() 方法 ：进行训练、评估和预测。

以 Auto MPG 为例，具体操作如下：
1. 定义训练数据的输入函数

def train_input_fn(df_train, batch_size=8):
    df =