tf.feature_column.input_layer返回错误张量形状的技术咨询

我之前踩过完全一样的坑！当tf.feature_column.input_layer返回[number of features, batch size]而不是预期的[batch size, number of features]时，通常是输入特征的维度适配出了问题，或者可以通过简单的转置快速修正。下面给你几个可行的解决思路：

• 快速临时修复：转置张量
  这是最直接的办法，拿到input_layer的输出后直接转置就能纠正形状：

  # 先获取输入函数的一个batch用于测试
  features, labels = next(create_train_input_fn(df, df.reward_next)())
  # 生成输入层
  input_layer = tf.feature_column.input_layer(features, your_feature_columns)
  # 转置修正形状
  corrected_input = tf.transpose(input_layer)
  # 此时corrected_input的形状就是[batch_size, num_features]
  

• 排查特征列的定义问题
  形状颠倒很可能是特征列的维度设置错误导致的，比如处理分类特征时：

  • 如果你用了embedding_column或indicator_column，要确保对应的categorical_column是基于单值特征构建的（每个样本对应一个分类值），而不是把多值特征当成了单值特征。
  • 数值特征要确保每个特征的输入形状是[batch_size]，而不是[num_features]。

  给你一个正确的特征列定义示例参考：

  # 数值特征定义
  numeric_feature = tf.feature_column.numeric_column(key="your_numeric_feature")
  # 分类特征定义（单值）
  categorical_feature = tf.feature_column.categorical_column_with_vocabulary_list(
      key="your_cat_feature", vocabulary_list=["x", "y", "z"]
  )
  indicator_feature = tf.feature_column.indicator_column(categorical_feature)
  # 组合特征列
  feature_columns = [numeric_feature, indicator_feature]
  

• 在自定义Estimator的model_fn中修正
  如果你是在构建自定义DQN Estimator时遇到这个问题，直接在model_fn里处理形状：

  def dqn_model_fn(features, labels, mode):
      # 生成输入层
      input_layer = tf.feature_column.input_layer(features, feature_columns)
      # 修正形状
      input_layer = tf.transpose(input_layer)
      
      # 后续构建DQN网络
      hidden_layer = tf.layers.dense(inputs=input_layer, units=128, activation=tf.nn.relu)
      output_layer = tf.layers.dense(inputs=hidden_layer, units=num_actions)
      
      # 完成Estimator的预测、损失、训练逻辑
      # ...
  

内容的提问来源于stack exchange，提问作者opti420sk