今天学习用 tf.contrib.learn 来建立 input funciton, 并用 DNN 对 Boston Housing 数据集进行回归预测。

问题：

• 给一组波士顿房屋价格数据，要用神经网络回归模型来预测房屋价格的中位数

• 数据集可以从官网教程下载：
  https://www.tensorflow.org/get_started/input_fn

• 它包括以下特征：

  
  

  

• 我们需要预测的是MEDV这个标签，以每一千美元为单位

一共有 5 步：

• 导入 CSV 格式的数据集

• 建立神经网络回归模型

• 用训练数据集训练模型

• 评价模型的准确率

• 对新样本数据进行分类

代码：
地址：

今天主要的知识点就是输入函数

在上面的代码中我们可以看到，输入数据时用的是 pandas，可以直接读取 CSV 文件
为了识别数据集中哪些是列，哪些是特征，哪些是预测标签，需要把这三者定义出来

在定义神经网络回归模型时，我们建立一个具有两层隐藏层的神经网络，每一层具有 10 个神经元节点，
接下来就是建立输入函数，它的作用就是把输入数据传递给回归模型，它可以接受 pandas 的 Dataframe 结构，并将特征和标签列作为 Tensors 返回

在训练时，只需要把训练数据集传递给输入函数，用 fit 迭代5000步
评价模型时，也是将测试数据集传递给输入函数，再用 evaluate
预测时，同样将预测数据集传递给输入函数

关于 输入函数：

昨天学到读取 CSV 文件的方法适用于不需要对原来的数据有什么操作的时候
但是当需要对数据进行特征工程时，我们就需要有一个输入函数来把数据的预处理给封装起来，再传递给模型

输入函数的基本框架：

def my_input_fn():

    # Preprocess your data here...

    # ...then return 1) a mapping of feature columns to Tensors with
    # the corresponding feature data, and 2) a Tensor containing labels
    return feature_cols, labels

输入函数必须返回下面两种值：

feature_cols：是一个字典，key 就是特征列的名字，value 就是 tensor，包含了相应的数据

labels：返回包含标签数据的 tensor，即所想要预测的目标

如果特征/标签数据存在pandas数据帧中或numpy数组中，那么需要将其转换为Tensor，然后从 input_fn 中返回。

对于稀疏数据
大多数值为0的数据，应该填充一个 SparseTensor，

下面例子，就是定义了一个具有3行和5列的二维 SparseTensor。在 [0,1] 上的元素的值为 6，[2,4] 上的元素值为 0.5，其他值为 0：

sparse_tensor = tf.SparseTensor(indices=[[0,1], [2,4]],
                                values=[6, 0.5],
                                dense_shape=[3, 5])

[[0, 6, 0, 0, 0]
 [0, 0, 0, 0, 0]
 [0, 0, 0, 0, 0.5]]