Feature y is not in features dictionary.

Question

任务是拟合二输入线性函数y=x1+2*x2，先用TensorFlow读取csv文件，然后训练神经网络，代码如下：

import numpy as np

from keras.models import Sequential

from keras.layers import Dense

import functools

train_file_path = "./datas/二输入数据表.csv"

test_file_path = "./datas/二输入测试数据表.csv"

LABEL_COLUMN = 'y'

import tensorflow as tf

OUTPUT = 'y'

def get_dataset(file_path):

    dataset = tf.data.experimental.make_csv_dataset(

    file_path,

    batch_size=4,

    label_name=OUTPUT,

    num_epochs=1,

    ignore_errors=True)

    return dataset

raw_train_data = get_dataset(train_file_path)

raw_test_data = get_dataset(test_file_path)

examples,labels = next(iter(raw_train_data))

print("EXAMPLES: \n",examples,"\n")

print("LABELS: \n",labels)

def process_continuous_data(mean,data):

    data = tf.cast(data,tf.float32) * 1/(2*mean)

    return tf.reshape(data,[-1,1])

MEANS = {

    'x1' : 7.149044577,

    'x2' : 13.07613598,

    'y' : 33.30131655

}

numerical_columns = []

for feature in MEANS.keys():

    num_col = tf.feature_column.numeric_column(

    feature,normalizer_fn=functools.partial(process_continuous_data,MEANS[feature]))

    numerical_columns.append(num_col)

numerical_columns

preprocessing_layer = tf.keras.layers.DenseFeatures(numerical_columns)

model = Sequential([

    preprocessing_layer,

    tf.keras.layers.Dense(4,activation='relu'),

    tf.keras.layers.Dense(1)

]

)

 

model.compile(optimizer = 'rmsprop',loss="mse",metrics=['mae'])

model.fit(raw_train_data,epochs=20)

 

 

报错情况：

​

​

Answer 1

让阿豪来帮你解答，本回答参考chatgpt3.5编写提供，如果还有疑问可以评论或留言

此代码存在报错问题，需要仔细检查一下代码。以下是建议的修改方案和解释：

1. 导入库时，将keras改为tensorflow.keras。因为在TensorFlow 2.x中，Keras已经被集成到tf.keras中。
2. LABEL_COLUMN的赋值不必要，可以删除。
3. OUTPUT的赋值应该是'y'，而不是LABEL_COLUMN。
4. DenseFeatures和Dense层需要指定输入的维度。而在本代码中，由于样本特征数目是2，numeric_column默认的shape是()，需要通过指定shape来给numeric_column设置正确的shape。(注：此问题是本次代码报错的原因)
5. 在model.compile函数中，loss应该为字符串类型，即'mse'而不是"mse"。
6. 由于数据量比较小，batch size应该设置为一个较大的值，比如32或64。 修改后的代码如下：

import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, DenseFeatures
import functools
train_file_path = "./datas/二输入数据表.csv"
test_file_path = "./datas/二输入测试数据表.csv"
OUTPUT = 'y'
def get_dataset(file_path):
    dataset = tf.data.experimental.make_csv_dataset(
        file_path,
        batch_size=32, 
        label_name=OUTPUT,
        num_epochs=1,
        ignore_errors=True)
    return dataset
raw_train_data = get_dataset(train_file_path)
raw_test_data = get_dataset(test_file_path)
examples, labels = next(iter(raw_train_data))
print("EXAMPLES: \n", examples, "\n")
print("LABELS: \n", labels)
def process_continuous_data(mean, data):
    data = tf.cast(data, tf.float32) * 1/(2*mean)
    return tf.reshape(data, [-1, 1])
MEANS = {
    'x1' : 7.149044577,
    'x2' : 13.07613598,
    'y' : 33.30131655
}
numerical_columns = []
for feature in MEANS.keys():
    num_col = tf.feature_column.numeric_column(
        feature,
        normalizer_fn=functools.partial(process_continuous_data, MEANS[feature]),
        shape=(1,)
    )
    numerical_columns.append(num_col)
preprocessing_layer = DenseFeatures(numerical_columns)
model = Sequential([
    preprocessing_layer,
    Dense(4, activation='relu'),
    Dense(1)
])
model.compile(optimizer='rmsprop', loss='mse', metrics=['mae'])
model.fit(raw_train_data, epochs=20)

这个代码还可以进一步优化。比如，可以添加更多的层和神经元来改进模型的性能，在模型训练结束后，可以使用神经网络来预测测试数据的输出。以下是一个预测测试数据输出的代码：

raw_test_data = get_dataset(test_file_path)
test_examples, test_labels = next(iter(raw_test_data))
predictions = model.predict(test_examples)
print("Predictions: \n", predictions.numpy())
print("Labels: \n", test_labels.numpy())

可以打印出模型的预测值和真实值来进行验证。