使用张量流估计器计算分类精度

如何解决使用张量流估计器计算分类精度

我正在使用tf.estimator.DNNLinearCombinedClassifier。我有4个类，在tf.feature_column.indicator列中以字符串表示：

target = tf.feature_column.categorical_column_with_vocabulary_list('delay',('1 day','1 week','1 month','2+ months'))
target = tf.feature_column.indicator_column(target)

目标列包含字符串，这些字符串应该由估算器实时进行1热编码。实际上，数据集是tf.data.Dataset。在解析时，解析函数返回特征向量+编码为tf.string的标签。由于目标列已用于构建估算器：

model = DNNLinearCombinedClassifier(
        ...,n_classes=target.categorical_column.num_buckets,label_vocabulary=target.categorical_column.vocabulary_list,...)

估计人员应该在训练和评估过程中意识到1热点。但是，当我添加分类指控作为补充指标时，在训练过程中出现了错误：

def ctg_accuracy(labels,predictions):
    ca = tf.keras.metrics.CategoricalAccuracy()
    ca.update_state(labels,predictions['probabilities'])
    return {'ctg_accuracy': ca}

model = add_metrics(model,ctg_accuracy)
...
tensorflow.python.framework.errors_impl.UnimplementedError: Cast string to float is not supported
...

很显然，“标签”仍然是字符串，并且根本没有经过1热编码。在训练/评估过程中，估算器是否会即时进行1-hot运算？如果是，在训练过程中该度量标准计算是否可以访问此向量？

非常感谢你的助手。