我试图用表示 7 个特征和 7 个标签的数值浮点数据来拟合 TensorForestEstimator 模型。也就是说，features 和 labels 的形状都是 (484876, 7)。我在 ForestHParams 中适当地设置了 num_classes=7 和 num_features=7。数据的格式如下：

f1       f2     f3    f4      f5    f6    f7   l1       l2       l3       l4       l5       l6       l7
39000.0  120.0  65.0  1000.0  25.0  0.69  3.94 39000.0  39959.0  42099.0  46153.0  49969.0  54127.0  55911.0
32000.0  185.0  65.0  1000.0  75.0  0.46  2.19 32000.0  37813.0  43074.0  48528.0  54273.0  60885.0  63810.0 
30000.0  185.0  65.0  1000.0  25.0  0.41  1.80 30000.0  32481.0  35409.0  39145.0  42750.0  46678.0  48595.0

当调用 fit() 时，Python 崩溃并显示以下消息：

Python 在使用 _pywrap_tensorflow_internal.so 插件时意外退出。

启用 tf.logging.set_verbosity('INFO') 时的输出如下：

INFO:tensorflow:training graph for tree: 0
INFO:tensorflow:training graph for tree: 1
...
INFO:tensorflow:training graph for tree: 9998
INFO:tensorflow:training graph for tree: 9999
INFO:tensorflow:Create CheckpointSaverHook.
2017-07-26 10:25:30.908894: F tensorflow/contrib/tensor_forest/kernels/count_extremely_random_stats_op.cc:404] Check failed: column < num_classes_ (39001 vs. 8)
Process finished with exit code 134 (interrupted by signal 6: SIGABRT)

我不确定这个错误的含义，它似乎并不合理，因为 num_classes=7，而不是 8，并且由于特征和标签的形状是 (484876, 7)，我不知道 39001 是从哪里来的。

以下是复现问题的代码：

import numpy as np
import pandas as pd
import os
def get_training_data():
    training_file = "data.txt"
    data = pd.read_csv(training_file, sep='\t')
    X = np.array(data.drop('Result', axis=1), dtype=np.float32)
    y = []
    for e in data.ResultStr:
        y.append(list(np.array(str(e).replace('[', '').replace(']', '').split(','))))
    y = np.array(y, dtype=np.float32)
    features = tf.constant(X)
    labels = tf.constant(y)
    return features, labels
hyperparameters = ForestHParams(
    num_trees=100,
    max_nodes=10000,
    bagging_fraction=1.0,
    num_splits_to_consider=0,
    feature_bagging_fraction=1.0,
    max_fertile_nodes=0,
    split_after_samples=250,
    min_split_samples=5,
    valid_leaf_threshold=1,
    dominate_method='bootstrap',
    dominate_fraction=0.99,
    # 以上所有参数均为默认值
    num_classes=7,
    num_features=7)
estimator = TensorForestEstimator(
    params=hyperparameters,
    # 以下所有参数均为默认值
    device_assigner=None,
    model_dir=None,
    graph_builder_class=RandomForestGraphs,
    config=None,
    weights_name=None,
    keys_name=None,
    feature_engineering_fn=None,
    early_stopping_rounds=100,
    num_trainers=1,
    trainer_id=0,
    report_feature_importances=False,
    local_eval=False)
estimator.fit(
    input_fn=lambda: get_training_data(),
    max_steps=100,
    monitors=[
        TensorForestLossHook(
            early_stopping_rounds=30
        )
    ])

如果我用 SKCompat 包装它，仍然无法工作，会出现相同的错误。导致此崩溃的原因是什么？

回答：

需要在 ForestHParams 中指定 regression=True，因为 TensorForestEstimator 默认假设它被用于解决分类问题，只能输出一个值。

在初始化估计器时会隐式创建一个 num_outputs 变量，如果未指定 regression，它将被设置为 1。如果指定了 regression，那么 num_outputs = num_classes，并正常保存检查点。