Python tf.compat.v1.nn.embedding_lookup_sparse用法及代码示例

参数

• params 表示完整嵌入张量的单个张量，或除了第一个维度之外所有相同形状的列表张量，表示分片嵌入张量。或者，通过沿维度 0 分区创建的 PartitionedVariable 。每个元素的大小必须针对给定的 partition_strategy 进行适当调整。
• sp_ids N x M SparseTensor of int64 ids，其中 N 通常是批量大小，M 是任意的。
• sp_weights 浮点/双倍权重的 SparseTensor 或指示所有权重的 None 应为 1。如果指定，sp_weights 必须具有与 sp_ids 完全相同的形状和索引。
• partition_strategy 指定分区策略的字符串，如果 len(params) > 1 则相关。目前支持"div" 和"mod"。默认为 "mod" 。有关详细信息，请参阅tf.nn.embedding_lookup。
• name 操作的可选名称。
• combiner 指定归约操作的字符串。目前支持"mean"、"sqrtn"和"sum"。 "sum" 计算每行嵌入结果的加权和。 "mean" 是加权总和除以总重量。 "sqrtn" 是加权和除以权重平方和的平方根。默认为 mean 。
• max_norm 如果不是 None ，如果每个嵌入的 l2-norm 大于此值，则在组合之前将对其进行裁剪。

返回

• 表示稀疏 id 的组合嵌入的密集张量。对于由表示的密集张量中的每一行sp_ids，op 查找该行中所有 id 的嵌入，将它们乘以相应的权重，并按指定组合这些嵌入。

  换句话说，如果

  shape(combined params) = [p0, p1, ..., pm]

  和

  shape(sp_ids) = shape(sp_weights) = [d0, d1]

  然后

  shape(output) = [d0, p1, ..., pm] 。

  例如，如果 params 是一个 10x20 矩阵，那么 sp_ids /sp_weights 是

  [0, 0]:id 1, weight 2.0
    [0, 1]:id 3, weight 0.5
    [1, 0]:id 0, weight 1.0
    [2, 3]:id 1, weight 3.0

  使用combiner ="mean"，则输出将是一个 3x20 矩阵，其中

  output[0,:] = (params[1,:] * 2.0 + params[3,:] * 0.5) / (2.0 + 0.5)
    output[1,:] = (params[0,:] * 1.0) / 1.0
    output[2,:] = (params[1,:] * 3.0) / 3.0

抛出

• TypeError 如果 sp_ids 不是 SparseTensor ，或者如果 sp_weights 既不是 None 也不是 SparseTensor 。
• ValueError 如果 combiner 不是 {"mean"、"sqrtn"、"sum"} 之一。