Python tf.keras.layers.Discretization用法及代码示例

一个预处理层，按范围对连续特征进行存储。

继承自：PreprocessingLayer、Layer、Module

用法

tf.keras.layers.Discretization(
    bin_boundaries=None, num_bins=None, epsilon=0.01, output_mode='int',
    sparse=False, **kwargs
)

属性

bin_boundaries bin 边界列表。最左边和最右边的 bin 将始终扩展到 -inf 和 inf ，因此 bin_boundaries=[0., 1., 2.] 生成 bin (-inf, 0.) , [0., 1.) , [1., 2.) 和 [2., +inf) 。如果设置了此选项，则不应调用adapt()。
num_bins 要计算的二进制数的整数。如果设置了此选项，则应调用 adapt() 来了解 bin 边界。
epsilon 容错，通常是接近零的一小部分(例如 0.01)。较高的 epsilon 值会增加分位数近似值，因此会导致更多不相等的桶，但可以提高性能和资源消耗。
output_mode
层输出的规范。默认为"int".值可以是"int","one_hot","multi_hot"，或者"count"配置层如下：
- "int" ：直接返回分类后的 bin 索引。
- "one_hot" ：将输入中的每个单独元素编码为与 num_bins 大小相同的数组，在输入的 bin 索引处包含 1。如果最后一个维度是大小 1，将在该维度上进行编码。如果最后一个维度不是大小 1，将为编码输出附加一个新维度。
- "multi_hot" ：将输入中的每个样本编码为与 num_bins 大小相同的单个数组，其中包含样本中存在的每个 bin 索引索引的 1。将最后一个维度视为样本维度，如果输入形状为 (..., sample_length) ，则输出形状将为 (..., num_tokens) 。
- "count" ：与 "multi_hot" 一样，但 int 数组包含 bin 索引在样本中出现的次数的计数。
sparse 布尔值。仅适用于 "one_hot" , "multi_hot" 和 "count" 输出模式。如果为 True，则返回 SparseTensor 而不是密集的 Tensor 。默认为假。
is_adapted 图层是否已经适合数据。

该层会将其输入数据的每个元素放入几个连续范围之一，并输出一个整数索引，指示每个元素放置在哪个范围内。

有关预处理层的概述和完整列表，请参阅预处理指南。

输入形状：

任何维度 2 或更高的 tf.Tensor 或 tf.RaggedTensor。

输出形状：

与输入形状相同。

例子：

根据提供的存储桶对浮点值进行分桶。

>>> input = np.array([[-1.5, 1.0, 3.4, .5], [0.0, 3.0, 1.3, 0.0]])
>>> layer = tf.keras.layers.Discretization(bin_boundaries=[0., 1., 2.])
>>> layer(input)
<tf.Tensor:shape=(2, 4), dtype=int64, numpy=
array([[0, 2, 3, 1],
       [1, 3, 2, 1]], dtype=int64)>

根据要计算的桶数对浮点值进行桶化。

>>> input = np.array([[-1.5, 1.0, 3.4, .5], [0.0, 3.0, 1.3, 0.0]])
>>> layer = tf.keras.layers.Discretization(num_bins=4, epsilon=0.01)
>>> layer.adapt(input)
>>> layer(input)
<tf.Tensor:shape=(2, 4), dtype=int64, numpy=
array([[0, 2, 3, 2],
       [1, 3, 3, 1]], dtype=int64)>

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.keras.layers.Discretization。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。