Tensorflow 不训练：“DataFrame”对象是可变的，因此它们不能被散列

Question

我想在 kaggle 数据集“房价”上使用tensorflow（但没有Keras，在Keras 上，我得到它的工作）构建和训练神经网络。我使用 Python，除了实际训练之外，我的代码运行良好。但是，在训练时，我要么没有错误（但它没有训练），要么得到TypeError: 'DataFrame' objects are mutable, thus they cannot be hashed。

我在 ipynotebook 中在 Google 的 colab 上运行脚本，我认为主要问题在于输入 feed_dict。但是，我不知道这里有什么问题。 batch_X 包含 100x10 特征，batch_Y 具有 100 标签。我想这可能是关键的片段：

train_data = { X: batch_X, Y_:batch_Y }

train_data 是我提供给 sess.run(train_step, feed_dict=train_data") 的内容

这是我的代码：https://colab.research.google.com/drive/1qabmzzicZVu7v72Be8kljM1pUaglb1bY

# train and train_normalized are the training data set (DataFrame)
# train_labels_normalized are the labels only

#Start session:
with tf.Session() as sess:
  sess.run(init)

  possible_indeces = list(range(0, train.shape[0]))
  iterations = 1000
  batch_size = 100

  for step in range(0, iterations):
    #draw batch indeces:
    batch_indeces = random.sample(possible_indeces, batch_size)
    #get features and respective labels
    batch_X = np.array(train_normalized.iloc[batch_indeces])
    batch_Y = np.array(train_labels_normalized.iloc[batch_indeces])

    train_data = { X: batch_X, Y_: batch_Y}

    sess.run(train_step, feed_dict=train_data)

我所希望的是它会运行几分钟并返回优化权重（2 隐藏层，每个48 节点）允许我进行预测。但是，它只是跳过上面的代码或抛出错误。

有人知道出了什么问题吗？

TypeError Traceback (most recent call last)
<ipython-input-536-79506f90a868> in <module>()
     13     batch_Y = p.array(train_labels_normalized.iloc[batch_indeces])
     14 
---> 15     train_data = { X: batch_X, Y_: batch_Y}
     16 
     17     sess.run(train_step, feed_dict=train_data)

  /usr/local/lib/python3.6/dist-packages/pandas/core/generic.py in __hash__(self)

   1814  def __hash__(self):
   1815  raise TypeError('{0!r} objects are mutable, thus they cannot be'
-> 1816     ' hashed'.format(self.__class__.__name__))
   1817
   1818     def __iter__(self):

  TypeError: 'DataFrame' objects are mutable, thus they cannot be hashed

Answer 1

问题源于您的第七（测试）步骤。

#Set X to the test data
X = test_normalized.astype(np.float32)
print(type(X)) # **<class 'pandas.core.frame.DataFrame'>**
Y1 = tf.nn.sigmoid(tf.matmul(X, W1))
Y2 = tf.nn.sigmoid(tf.matmul(Y1, W2))
Y3 = tf.matmul(Y2, W3)

您正在将 X 设置为 DataFrame。在第一次运行时，这不会影响任何事情。但是，当你在第七步之后运行第六步时，你会遇到这个问题，因为你已经覆盖了X 的内容。

尝试将X 更改为X_：

X_ = test_normalized.astype(np.float32)
Y1 = tf.nn.sigmoid(tf.matmul(X_, W1))

另外，您的最终评估不起作用。将其发送到tf.Session。