使用 tensorflow 加载 pandas 数据帧并使用单个实例进行预测

Question

我无法理解构建 tensorflow 模型和预处理 pandas Dataframe。

我一直在关注这个文档： https://www.tensorflow.org/tutorials/load_data/pandas_dataframe

第一个问题：

dataset = tf.data.Dataset.from_tensor_slices((df.values, target.values))
train_dataset = dataset.shuffle(len(df)).batch(1)

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

既然心脏病数据框有 13 个特征，为什么文档只启动了只有 10 个单元的第一个 Dense 层？为什么看起来不像这样？

def get_compiled_model():
      model = tf.keras.Sequential([
        tf.keras.layers.InputLayer(input_shape=(13,),
        tf.keras.layers.Dense(10, activation='relu'),
        tf.keras.layers.Dense(10, activation='relu'),
        tf.keras.layers.Dense(1)
      ])

在文档中，它从 10 个单元的 Dense 层开始，但有 13 个特征，我不明白这是如何工作的。

最后一个问题：

在我训练完模型之后

model = get_compiled_model()
model.fit(train_dataset, epochs=15)

如何使用 model.predict() 对单个或多个训练数据实例/实例进行预测？

在将实例传递给 model.predict 方法之前，我是否必须先将实例转换为张量？ 即

model.predict(tensor(instance))

谢谢！

Answer 1

创建模型有不同的方法。

1. model.build()
2. model.fit() 和一些数据
3. 在第一层中指定 input_shape 参数以进行自动构建。

即使你不指定输入层，当你拟合数据时，它也会自动调整输入大小。

model.predict() 应该提供类似于训练数据的输入。它可以是单个或多个（批量）输入。