Python tf.keras.layers.experimental.preprocessing.HashedCrossing用法及代码示例

使用"hashing trick" 跨越特征的预处理层。

继承自：Layer，Module

用法

tf.keras.layers.experimental.preprocessing.HashedCrossing(
    num_bins, output_mode='int', sparse=False, **kwargs
)

参数

num_bins 哈希箱的数量。
output_mode
层输出的规范。默认为"int".值可以是"int"，或者"one_hot"配置层如下：
- "int" ：直接返回整数 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。
sparse 布尔值。仅适用于"one_hot" 模式。如果为 True，则返回 SparseTensor 而不是密集的 Tensor 。默认为假。
**kwargs 构造层的关键字参数。

该层使用"hasing trick" 执行分类特征的交叉。从概念上讲，转换可以被认为是：hash(concatenation of features) % num_bins 。

该层目前仅执行标量输入和成批标量输入的交叉。有效的输入形状是 (batch_size, 1) , (batch_size,) 和 () 。

有关预处理层的概述和完整列表，请参阅预处理指南。

例子：

跨越两个标量特征。

layer = tf.keras.layers.HashedCrossing(num_bins=5)
feat1 = tf.constant(['A', 'B', 'A', 'B', 'A'])
feat2 = tf.constant([101, 101, 101, 102, 102])
layer((feat1, feat2))
<tf.Tensor:shape=(5, 1), dtype=int64, numpy=array([1, 4, 1, 6, 3])>

交叉和one-hotting 两个标量特征。

layer = tf.keras.layers.HashedCrossing(num_bins=5, output_mode='one_hot')
feat1 = tf.constant(['A', 'B', 'A', 'B', 'A'])
feat2 = tf.constant([101, 101, 101, 102, 102])
layer((feat1, feat2))
<tf.Tensor:shape=(5, 10), dtype=float32, numpy=
array([[0., 1., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 1., 0., 0., 0., 0., 0.],
       [0., 1., 0., 0., 0., 0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0., 0., 1., 0., 0., 0.],
       [0., 0., 0., 1., 0., 0., 0., 0., 0., 0.]], dtype=float32)>

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.experimental.preprocessing.HashedCrossing。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。