TFP 线性回归 yhat=model(x_tst) - 不适用于其他数据

Question

我看不出我正在做的事情和工作 Google TFP 示例之间的区别，我正在遵循其结构。我在做什么 wrong/should 我在做什么？

[设置：Win 10 Home 64 位 20H2，Python3.7，TF2.4.1，TFP 0.12.2，运行在 Jupyter 实验室]

我一直在按照全要素生产率Probabilistic Layers Regression的例子一步步建立模型。案例 1 代码运行良好，但我的并行模型没有，我看不出可能导致这种情况的差异

yhat = model(x_tst)

失败并显示消息 Input 0 of layer sequential_14 is incompatible with the layer: : expected min_ndim=2, found ndim=1. Full shape received: (2019,)（这是 x_tst 的正确一维大小）

作为比较：Google的load_dataset函数用于TFP示例returnsy, x, x_tst，它们都是np.ndarray大小为150，而我使用 pandas.read_csv 从 csv 文件中读取数据，将其拆分为 train_ 和 test_datasets，然后从训练数据集中取 1 列数据作为自变量 'g' 和因变量 'redz' .

我知道 x、y 等需要 np.ndarray，但是没有直接创建 ndarray，所以我有...

x = np.array(train_dataset['g'])
y = np.array(train_dataset['redz'])
x_tst = np.array(test_dataset['g'])

其中 x、y、x_tst 都是一维的 - 就像 TFP 示例一样。

模型本身运行

model = tf.keras.Sequential([
  tf.keras.layers.Dense(1),
  tfp.layers.DistributionLambda(lambda t: tfd.Normal(loc=t, scale=1)),
])

# Do inference.
model.compile(optimizer=tf.optimizers.Adam(learning_rate=0.01), loss=negloglik)
model.fit(x, y, epochs=1, verbose=False);

（并且在绘制时给出了 google 数据的预期输出 - 我没有做到这一点）：

但是，根据示例，当我尝试通过 yhat = model(x_tst) 来“获利”时，我得到了上面给出的尺寸错误。

怎么了？

（如果我尝试 mode.predict 我想我在 TFP 中命中了一个已知的 bug/gap；然后断言失败）

更新 - 显式重塑解决了问题

Frightera 的提示导致进一步调查：x_tst 具有形状 (2019,)

通过 x_tst = x_tst.rehape(2019,1) 重塑解决了这个问题。 TF 的要求是否不一致，或者是否有充分的理由要求明确的最终维度 1？谁知道。至少现在可以做出预测了。

Answer 1

在这个问题 Difference between numpy.array shape (R, 1) and (R,) 中，OP 询问了 (R,) 和 (R,1) 之间的区别，但给出的答案没有解决这个具体问题。

同样在这个问题中Difference between these array shapes in numpy

我相信答案就在 numpy glossary 中，它说 (n,) that

A parenthesized number followed by a comma denotes a tuple with one element. The trailing comma distinguishes a one-element tuple from a parenthesized n.

这自然呼应了 Python 关于元组的陈述 here

因此，形状为 (R,) 的数组是一个元组，将数组描述为某个范围 R 的一维数组，其中附加逗号以区分元组 (R,) 和非元组 (R) .

但是，对于一维数组，没有行或列排序的意义； (R,1) 是 R 行乘 1 列，但是 (1, R) 将是 1 行 R 列，尽管它对一维迭代器无关紧要，但它确实如此，或者迭代器无法正确识别 ( , ) 并认为它是二维的。（即我不知道该部分的技术细节，但这些似乎是解释该行为的唯一选项。）

此问题与 Tensorflow 中张量定义中出现的大小不确定性无关。在 Tensorflow 的上下文中，张量（数组）可能具有不确定的形状，因此在处理过程中可能会沿某个轴添加更多数据，例如分批处理，在这种情况下，初始 Tensor 形状包含一个前导 None 以指示预期发生数组扩展的位置。（参见例如张量的形状 here）

TFP 线性回归 yhat=model(x_tst) - 不适用于其他数据

TFP Linear Regression yhat=model(x_tst) - doesn't work for other data

tensorflow2.0

tensorflow-probability