基于tensorflow 1.15
import tensorflow as tf
# 创建一个分类特征列，使用词汇表列表
categorical_column = tf.feature_column.categorical_column_with_vocabulary_list(
key="your_feature_name", # 这应该是你的数据中特征的键名
vocabulary_list=["value1", "value2", "value3"], # 你的词汇表列表
dtype=tf.string, # 数据类型，默认为字符串
num_oov_buckets=1 # 你可以指定多少个 out-of-vocabulary buckets
)
# 通常情况下，你需要将分类列转换为指标列（indicator column）或嵌入列（embedding column）
# 这里我们将其转换为指标列
indicator_column = tf.feature_column.indicator_column(categorical_column)
# 创建一个输入层，用于接收特征数据
feature_columns = [indicator_column]
features = tf.placeholder(tf.string, shape=[None], name='your_feature_name')
# 创建一个特征列的字典，用于输入到模型中
features_dict = { "your_feature_name": features }
# 使用特征列构建输入层
dense_tensor = tf.feature_column.input_layer(features_dict, feature_columns)
# 初始化所有变量
init = tf.global_variables_initializer()
# 开始一个会话
with tf.Session() as sess:
sess.run(init)
sess.run(tf.tables_initializer())
# 假设你有一些数据
input_data = ["value1", "value2", "value3", "unknown_value"]
# 运行会话，将数据传入
result = sess.run(dense_tensor, feed_dict={features: input_data})
print(result)