Python tf.compat.v1.feature_column.input_layer用法及代码示例

根据给定的 feature_columns 返回密集的 Tensor 作为输入层。

用法

tf.compat.v1.feature_column.input_layer(
    features, feature_columns, weight_collections=None, trainable=True,
    cols_to_vars=None, cols_to_output_tensors=None
)

参数

features 从键到张量的映射。 _FeatureColumn 通过这些键查找。例如 numeric_column('price') 将查看此字典中的 'price' 键。值可以是 SparseTensor 或 Tensor 取决于相应的 _FeatureColumn 。
feature_columns 一个包含要用作模型输入的 FeatureColumns 的迭代。所有项目都应该是派生自 _DenseColumn 的类的实例，例如 numeric_column , embedding_column , bucketized_column , indicator_column 。如果你有分类特征，你可以用 embedding_column 或 indicator_column 包装它们。
weight_collections 将添加变量的集合名称列表。请注意，变量也将添加到集合 tf.GraphKeys.GLOBAL_VARIABLES 和 ops.GraphKeys.MODEL_VARIABLES 中。
trainable 如果 True 还将变量添加到图形集合 GraphKeys.TRAINABLE_VARIABLES (请参阅 tf.Variable )。
cols_to_vars 如果不None, 必须是一个字典，将填充来自的映射_FeatureColumn列出Variables。例如，在调用之后，我们可能有 cols_to_vars = {_EmbeddingColumn( categorical_column=_HashedCategoricalColumn( key='sparse_feature', hash_bucket_size=5, dtype=tf.string), dimension=10):[
cols_to_output_tensors 如果不是 None ，则必须是一个字典，该字典将填充从 '_FeatureColumn' 到关联输出 Tensor 的映射。

Tensor 表示模型的输入层。它的形状是 (batch_size, first_layer_dimension) 并且它的 dtype 是 float32 。 first_layer_dimension 是根据给定的 feature_columns 确定的。

抛出

ValueError 如果 feature_columns 中的项目不是 _DenseColumn 。

通常使用 FeatureColumns 说明训练数据中的单个示例。在模型的第一层，这个面向列的数据应转换为单个 Tensor 。

例子：

price = numeric_column('price')
keywords_embedded = embedding_column(
    categorical_column_with_hash_bucket("keywords", 10K), dimensions=16)
columns = [price, keywords_embedded, ...]
features = tf.io.parse_example(..., features=make_parse_example_spec(columns))
dense_tensor = input_layer(features, columns)
for units in [128, 64, 32]:
  dense_tensor = tf.compat.v1.layers.dense(dense_tensor, units, tf.nn.relu)
prediction = tf.compat.v1.layers.dense(dense_tensor, 1)

相关用法

注：本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.compat.v1.feature_column.input_layer。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。