TensorFlow 2熊猫教程预处理困惑

Question

我正在学习TensorFlow的一个教程，但我不理解以下代码的用途：

numeric_inputs = {name:input for name,input in inputs.items()
if input.dtype==tf.float32}
x = layers.Concatenate()(list(numeric_inputs.values()))
norm = layers.Normalization()
norm.adapt(np.array(titanic[numeric_inputs.keys()]))
all_numeric_inputs = norm(x)
all_numeric_inputs

这是我目前的尝试：

1. numeric_inputs是过滤结果的映射
2. 我不明白为什么在这里使用layers.Concatenate()。我已经看过文件了
3. 我知道在使用norm作为Sequential模型的(起始)层之前需要调用norm.adapt()(来自上一节)。但为什么在这里用x，即norm(x)来称呼它呢

Btw，关于使用官方教程学习有什么建议吗？我发现其中一些对我来说仍然太模糊了

Answer 1

您提供的代码部分位于本教程的混合数据类型部分
要回答您的问题，以下是教程中的一些代码：

numeric_inputs = {name:input for name,input in inputs.items()
if input.dtype==tf.float32}
x = layers.Concatenate()(list(numeric_inputs.values()))
norm = layers.Normalization()
norm.adapt(np.array(titanic[numeric_inputs.keys()]))
all_numeric_inputs = norm(x)
all_numeric_inputs

其中titanic是熊猫数据帧：

titanic = pd.read_csv("https://storage.googleapis.com/tf-datasets/titanic/train.csv")
titanic_features = titanic.copy()
inputs = {}
for name, column in titanic_features.items():
dtype = column.dtype
if dtype == object:
dtype = tf.string
else:
dtype = tf.float32
inputs[name] = tf.keras.Input(shape=(1,), name=name, dtype=dtype)

回到你的问题：

1. CCD_ 9是一个过滤字典
2. CCD_ 10层允许从过滤字典中获得单个张量(首先将其转换为列表)
3. 由于功能性API将用于定义模型，因此使用Normalization层(此处实例化为norm)对数据进行规范化，该层对一些数据进行调整/训练。规范化层将前一层CCD_ 13的输出作为输入