Tensorflow LinearRegressor报错：Feature（key:x）不能为0阶，求解决

这个错误我之前也碰到过，本质是TensorFlow Estimator API要求输入的特征张量至少是1阶（rank 1），但你的代码里返回的x是一个0阶的标量张量（shape=()），不符合要求。咱们一步步来解决：

问题根源 #

你的input_fn中，TextLineDataset读取每一行后通过map(parse_csv)解析出单个样本，此时每个特征（比如x）对应的是标量张量（没有批量维度）。而Estimator是为批量训练设计的，它期望特征张量带有批量维度（哪怕batch size设为1）。

修复方案 #

只需要在数据集处理流程中添加批处理操作，让每个特征变成1阶张量即可：

修改后的input_fn代码：

_CSV_COLUMN_DEFAULTS = [[0],[0]]
_CSV_COLUMNS = ['x', 'y']
def input_fn(data_file, batch_size=32):
    def parse_csv(value):
        print('Parsing', data_file)
        columns = tf.decode_csv(value, record_defaults=_CSV_COLUMN_DEFAULTS)
        features = dict(zip(_CSV_COLUMNS, columns))
        labels = features.pop('y')
        return features, labels
    # Extract lines from input files using the Dataset API.
    dataset = tf.data.TextLineDataset(data_file)
    dataset = dataset.map(parse_csv)
    # 添加批处理，给特征加上批量维度
    dataset = dataset.batch(batch_size)
    iterator = dataset.make_one_shot_iterator()
    features, labels = iterator.get_next()
    return features, labels

然后保持后续的模型定义和训练代码不变：

x = tf.feature_column.numeric_column('x')
base_columns = [x]
model_dir = tempfile.mkdtemp()
model = tf.estimator.LinearRegressor(model_dir=model_dir, feature_columns=base_columns)
model = model.train(input_fn=lambda: input_fn(data_file=file_path))

额外检查点 #

同时可以确认你的CSV文件格式是否正确，每一行应该是用逗号分隔的两个数值（比如1,1、3,3这种符合y=x规律的样本），避免因解析异常导致张量形状出错。

内容的提问来源于stack exchange，提问作者B.Mr.W.