我尝试使用Tensorflow的tf.contrib.factorization.KMeansClustering估计器与SageMaker结合使用，但遇到了一些问题。我的SageMaker predictor.predict() 调用的输出看起来不正确。聚类值过大，它们应该是0到7之间的整数。（我设置了8个聚类）。

每次运行时我得到类似的输出（数组的后半部分是4L或者其他数字如0L）。数组中有40个值，因为这是我传递给predict()函数的行数（用户及其评分）。

示例：{'outputs': {u'output': {'int64_val': [6L, 0L, 6L, 1L, 2L, 4L, 5L, 7L, 7L, 7L, 7L, 5L, 0L, 1L, 7L, 3L, 3L, 6L, 7L, 3L, 7L, 2L, 6L, 2L, 3L, 7L, 6L, 3L, 3L, 6L, 1L, 2L, 1L, 3L, 7L, 7L, 7L, 3L, 5L, 7L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L], 'dtype': 9, 'tensor_shape': {'dim': [{'size': 100L}]}}}, 'model_spec': {'signature_name': u'serving_default', 'version': {'value': 1534392971L}, 'name': u'generic_model'}}

我处理的数据是一个稀疏矩阵，包含物品评分，其中rows=users，cols=items，单元格包含0.0到10.0之间的浮点数。因此，我的输入数据是一个矩阵，而不是典型的特征数组。

我认为问题可能出在serving_input_fn函数中。这是我的SageMaker入口点脚本：

def estimator_fn(run_config, params):    #feature_columns = [tf.feature_column.numeric_column('inputs', shape=list(params['input_shape']))]    return tf.contrib.factorization.KMeansClustering(num_clusters=NUM_CLUSTERS,                            distance_metric=tf.contrib.factorization.KMeansClustering.COSINE_DISTANCE,                            use_mini_batch=False,                            feature_columns=None,                            config=run_config)def serving_input_fn(params):    tensor = tf.placeholder(tf.float32, shape=[None, None])    return tf.estimator.export.build_raw_serving_input_receiver_fn({'inputs': tensor})()def train_input_fn(training_dir, params):    """ Returns input function that would feed the model during training """    return generate_input_fn(training_dir, 'train.csv')def eval_input_fn(training_dir, params):    """ Returns input function that would feed the model during evaluation """    return generate_input_fn(training_dir, 'test.csv')def generate_input_fn(training_dir, training_filename):    """ Generate all the input data needed to train and evaluate the model. """    # Load train/test data from s3 bucket    train = np.loadtxt(os.path.join(training_dir, training_filename), delimiter=",")    return tf.estimator.inputs.numpy_input_fn(        x={'inputs': np.array(train, dtype=np.float32)},        y=None,        num_epochs=1,        shuffle=False)()

在generate_input_fn()中，train是numpy评分矩阵。

如果有帮助，这里是我调用predict()函数的代码，(ratings_matrix是一个40 x num_items的numpy数组)：

mtx = tf.make_tensor_proto(values=ratings_matrix,                           shape=list(ratings_matrix.shape), dtype=tf.float32)result = predictor.predict(mtx)

我觉得问题可能是我遗漏了什么简单的部分。这是我的第一个机器学习算法，所以任何帮助都将不胜感激。

回答：

感谢javadba的回答！

我对机器学习或TensorFlow的了解并不多，所以请指正我。不过，看起来你已经成功地与SageMaker集成了，但预测结果并不是你期望的。

最终，SageMaker使用EstimatorSpec运行你的训练脚本，并使用train_and_evaluate进行训练，并使用TensorFlow Serving进行预测。它没有其他隐藏的功能，因此你使用TensorFlow估计器得到的KMeans预测结果将独立于SageMaker。不过，它可能会受到你如何定义serving_input_fn和output_fn的影响。

当你在SageMaker生态系统之外使用相同的设置运行此估计器时，你是否得到了你期望的格式的预测结果？

SageMaker TensorFlow的体验在这里开源，展示了目前可能和不可能实现的功能。https://github.com/aws/sagemaker-tensorflow-container