如何为Keras Estimator添加特征列名称以匹配输入特征名

你的问题根源很明确：用input_dim=3创建的Sequential模型会生成一个隐式的单输入层，它的名称是TensorFlow自动分配的（比如dense_4_input），但你的输入函数传入的是三个独立的特征键，两者完全不匹配，所以才会抛出找不到输入名的错误。

下面给你两种可行的解决方案，你可以根据需求选择：

方案一：修改输入函数，适配现有单输入模型 #

如果不想改动原有Keras模型的结构，只需要把三个特征合并成一个和模型输入形状匹配的数组，再用模型输入层的名称作为键传入即可：

1. 先确认模型输入层的名称：

print(model.input_names)  # 输出类似 ['dense_4_input']

2. 修改输入函数，合并特征并使用正确的输入名：

import numpy as np

def input_function(features, labels=None, shuffle=False):
    # 将三个特征合并为形状为(样本数, 3)的输入数组
    combined_features = np.column_stack([
        features['dept_tenure'], 
        features['prior_tenure'], 
        features['employ_tenure']
    ])
    input_fn = tf.estimator.inputs.numpy_input_fn(
        x={"dense_4_input": combined_features},  # 这里用模型输入层的实际名称
        y=labels,
        shuffle=shuffle
    )
    return input_fn()  # 注意要调用函数返回数据集，而非返回函数本身！

方案二：重构Keras模型为多输入结构（推荐用于服务场景） #

如果希望模型直接对应三个命名特征，方便后续服务时发送带特征名的JSON请求，建议用Keras函数式API重构为多输入模型：

# 定义三个命名输入层，每个对应一个特征
dept_tenure_input = keras.layers.Input(shape=(1,), name='dept_tenure')
prior_tenure_input = keras.layers.Input(shape=(1,), name='prior_tenure')
employ_tenure_input = keras.layers.Input(shape=(1,), name='employ_tenure')

# 合并三个输入为一个向量，供后续层使用
concatenated_input = keras.layers.concatenate([
    dept_tenure_input, 
    prior_tenure_input, 
    employ_tenure_input
])

# 原有网络层逻辑保持不变
dense_layer = keras.layers.Dense(300)(concatenated_input)
prelu_layer = keras.layers.PReLU()(dense_layer)
dropout_layer = keras.layers.Dropout(0.5)(prelu_layer)
output_layer = keras.layers.Dense(2, activation='softmax')(dropout_layer)

# 创建多输入模型
model = keras.models.Model(
    inputs=[dept_tenure_input, prior_tenure_input, employ_tenure_input],
    outputs=output_layer
)

# 编译模型（和原来的编译逻辑一致）
model.compile(optimizer='Adam', loss='categorical_crossentropy', metrics=['accuracy'])

转成Estimator后，你的原有输入函数只需要补全调用即可直接使用：

estimator_model = keras.estimator.model_to_estimator(keras_model=model)

def input_function(features, labels=None, shuffle=False):
    input_fn = tf.estimator.inputs.numpy_input_fn(
        x={"dept_tenure": features['dept_tenure'], "prior_tenure": features['prior_tenure'], "employ_tenure": features['employ_tenure']},
        y=labels,
        shuffle=shuffle
    )
    return input_fn()  # 必须调用函数返回数据集

这种方案下，后续服务模型时，你可以直接发送包含三个特征名的JSON请求，完全符合你的需求。

内容的提问来源于stack exchange，提问作者user1753640