当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


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:LayerModule

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,)()

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。