Python tf.compat.v1.tpu.experimental.embedding_column用法及代码示例

参数

• categorical_column 从 categorical_column_with_identity , weighted_categorical_column , categorical_column_with_vocabulary_file , categorical_column_with_vocabulary_list , sequence_categorical_column_with_identity , sequence_categorical_column_with_vocabulary_file , sequence_categorical_column_with_vocabulary_list 返回的分类列
• dimension 指定嵌入维度的整数，必须 > 0。
• combiner 一个字符串，指定在非序列列的单行中有多个条目时如何减少。有关详细信息，请参阅tf.feature_column.embedding_column。
• initializer 用于嵌入变量初始化的变量初始化函数。如果未指定，则默认为 tf.compat.v1.truncated_normal_initializer ，平均值为 0.0 和标准差 1/sqrt(dimension) 。
• max_sequence_length 指定最大序列长度的非负整数。任何比这更短的序列都将被填充 0 个嵌入，任何更长的序列都将被截断。这对于序列特征必须为正，对于非序列特征必须为 0。
• learning_rate_fn 一个函数，它采用全局步骤并返回嵌入表的学习率。如果您打算对多个嵌入表使用相同的学习率，请确保您将完全相同的 python 函数传递给embedding_column的所有调用，否则性能可能会受到影响。
• embedding_lookup_device 运行嵌入查找的设备。有效选项为 "cpu"、"tpu_tensor_core" 和 "tpu_embedding_core"。如果指定 "tpu_tensor_core"，则必须提供 tensor_core_shape。如果未指定，默认行为是在 "tpu_embedding_core" 上嵌入查找以进行训练，在 "cpu" 上嵌入查找以进行推理。训练的有效选项：["tpu_embedding_core", "tpu_tensor_core"] 服务的有效选项：["cpu", "tpu_tensor_core"] 对于训练，tpu_embedding_core 适用于大型嵌入词汇(>1M)，否则，tpu_tensor_core通常就足够了。对于服务，在服务期间对 tpu_tensor_core 进行嵌入查找是一种在出现瓶颈的情况下减少主机 CPU 使用率的方法。
• tensor_core_shape 如果提供，一个整数列表，它指定预期的密集形状以在 TensorCore 上运行嵌入查找此函数。批处理维度可以保留为 None 或 -1 以指示动态形状。当前仅支持 2 级形状。
• use_safe_embedding_lookup 如果为真，则使用 safe_embedding_lookup_sparse 而不是 embedding_lookup_sparse。 safe_embedding_lookup_sparse 确保没有空行，并且所有权重和 id 都是正数，但代价是额外的计算成本。这仅适用于 rank 2 (NxM) 形状的输入张量。默认为 true，如果不需要上述检查，请考虑关闭。请注意，尽管输出结果可能为 0 或省略，但具有空行不会触发任何错误。

返回

• 一个_TPUEmbeddingColumnV2。

抛出

• ValueError 如果 dimension 不 > 0。
• ValueError 如果指定了 initializer 但不可调用。