我试图制作一个 DNNCLassifier ，它使用张量流来分类输入，以在Google Cloud 平台（GCP）上训练模型 . 我有一些分类功能列，我使用的是vocabulary.txt文件 . 例如：
tf.feature_column.categorical_column_with_vocabulary_file(
key = "feature_name",
vocabulary_file = vocab_file,
vocabulary_size = vocab_size
),
我花了几个令人沮丧的时间发现你不能在GCP中使用open（）因为它无法处理gs：// . 因此，我使用以下代码来读取词汇表文件：
def read_vocab_file(file_path):
"""Reads a vocab file to memeory.
Args:
file_path: path to Vocab file in cloud storage bucket
Returns:
Vocab list, the size of the vocabulary """
with file_io.FileIO(file_path, 'r') as f:
#vocab_lines = open(f,'r').readlines()
vocab_lines = f.readlines()
vocab_size = len(vocab_lines)
return vocab_lines, vocab_size
这允许我提交一个培训作业，我将路径作为参数传递给词汇文件 .
gcloud ml-engine工作提交培训$ JOB_NAME \ --job-dir $ MODEL_DIR \ --runtime-version 1.4 \ --module-name trainer.task \ --package-path trainer / \ _region $ REGION \ - \ --train-files $ TRAIN_DATA \ --eval-files $ EVAL_DATA \ --vocab-paths $ VOCAB \ --latlon-data-paths $ LATLON \ --train-steps 1000 \ --eval-steps 100
这适用于培训，但后来我无法做出预测 . Is there a better way to train a model in the google cloud machine learning engine environment while using vocab.txt files to create categorical feature columns?
任何使用带有tf.estimator.DNNCLassifier的分类功能的示例代码都将非常受欢迎，特别是如果它可以在具有超参数优化的GCP上运行并在 Cloud 中进行预测 .
谢谢