Python tf.io.SparseFeature用法及代码示例

用于从 Example 解析稀疏输入特征的配置。

用法

tf.io.SparseFeature(
    index_key, value_key, dtype, size, already_sorted=False
)

请注意，由于其简单性，最好使用 VarLenFeature(可能与 SequenceExample 组合)以解析出 SparseTensor 而不是 SparseFeature。

密切模仿将通过使用SparseFeature 配置解析Example 获得的SparseTensor，SparseFeature 包含

• value_key ：Example 中 Feature 的键名，其解析后的 Tensor 将是生成的 SparseTensor.values 。

• index_key ：名称列表 - 生成的 SparseTensor 中的每个维度都有一个名称，其 indices[i][dim] 表示 i -th 值在 dim 维度中的位置将等于 i -th Feature 中的值与 Example 中名为 index_key[dim] 的键。

• size ：生成的 SparseTensor.dense_shape 的整数列表。

比如我们可以表示下面的2DSparseTensor

SparseTensor(indices=[[3, 1], [20, 0]],
             values=[0.5, -1.0]
             dense_shape=[100, 3])

带有 Example 输入原型

features {
  feature { key:"val" value { float_list { value:[ 0.5, -1.0 ] } } }
  feature { key:"ix0" value { int64_list { value:[ 3, 20 ] } } }
  feature { key:"ix1" value { int64_list { value:[ 1, 0 ] } } }
}

和 SparseFeature 配置 2 index_key s

SparseFeature(index_key=["ix0", "ix1"],
              value_key="val",
              dtype=tf.float32,
              size=[100, 3])

领域：

• index_key：单个字符串名称或索引特征的字符串名称列表。对于每个键，基础函数的类型必须是int64并且它的长度必须始终与value_key特征。代表SparseTensor带有一个dense_shape的rank大于 1 的长度列表rank应该使用。
• value_key：价值特征的名称。基础特征的类型必须是dtype并且它的长度必须总是匹配所有的index_keys 的特点。
• dtype:数据类型value_key特征。
• size：指定密集形状的 Python int 或其列表。当且仅当应该是一个列表index_key是一个列表。在这种情况下，列表必须等于index_key.每个条目i中的所有值index_key[i] 特征必须在[0, size[i]).
• already_sorted：一个 Python 布尔值，用于指定是否在value_key已按其索引位置排序。如果是这样跳过排序。默认为 False(可选)。