参考：《深度学习图像识别技术--基于TensorFlow Object Detection API 和 OpenVINO》
预备知识：本文假设你已经读过《从数据的角度理解TensorFlow鸢尾花分类程序》系列文章，或者已经非常熟悉TensorFlow第一个入门程序：鸢尾花分类premade_estimator.py
在TensorFlow中，特征列(Feature column)是原始数据和 Estimator 之间的接口，它告诉Estimator如何使用数据。
原始数据集包含各种各样的特征，有的特征是数值，比如年龄，长度、速度；有的特征是文字，比如，地址、Email内容、数据库查询语句等
神经网络接受的输入，只能是数值，而且是整理好的数值
所以，原始数据 和 神经网络输入需求之间需要一个桥梁，这个桥梁就是特征列(Feature column)
在鸢尾花分类premade_estimator.py程序中，tf.estimator.DNNClassifier的参数 feature_columns 指定模型的输入，特征列在输入数据（由 input_fn 返回）与模型之间架起了桥梁，如下图所示：
要创建特征列，需要调用 tf.feature_column 模块的函数。TensorFlow V1.8的特征列有八种，对应9个函数分别是：
1，数值列（tf.feature_column.numeric_column）
2，分桶列（tf.feature_column.bucketized_column）
3，分类标识列（tf.feature_column.categorical_column_with_identity）
4，分类词汇列（tf.feature_column.categorical_column_with_vocabulary_list 或者 tf.feature_column.categorical_column_with_vocabulary_file）
5，经过哈希处理的列（tf.feature_column.categorical_column_with_hash_bucket）
6，组合列（tf.feature_column.crossed_column）
7，指标列（tf.feature_column.indicator_column）
8，嵌入列（tf.feature_column.embedding_column）
如下图所示：
将特征列传递给 Estimator的注意事项：
下面的列表所示，并非所有 Estimator 都支持所有类型的 feature_columns 参数：
1，LinearClassifier 和 LinearRegressor：接受所有类型的特征列。
2，DNNClassifier 和 DNNRegressor：只接受密集列。其他类型的列必须封装在 indicator_column 或 embedding_column 中。
3，DNNLinearCombinedClassifier 和 DNNLinearCombinedRegressor：
a). linear_feature_columns 参数接受任何特征列类型。
b). dnn_feature_columns 参数只接受密集列。
