Python tf.nn.safe_embedding_lookup_sparse用法及代码示例

参数

• embedding_weights 表示完整嵌入张量的单个张量，或除第一个维度外所有相同形状的张量列表，表示遵循"div" 分区策略的分片嵌入张量。
• sparse_ids SparseTensor 形状 [d_0, d_1, ..., d_n] 包含 id。 d_0 通常是批量大小。
• sparse_weights SparseTensor 与 sparse_ids 形状相同，包含与 sparse_ids 或 None 对应的浮点权重，如果所有权重都假定为 1.0。
• combiner 一个字符串，指定如何组合每个条目的嵌入结果。目前支持"mean"、"sqrtn"和"sum"，默认为"mean"。
• default_id 用于没有特征的条目的 id。默认为 0 向量。
• max_norm 如果不是 None ，则所有嵌入在组合之前都经过 l2 归一化为 max_norm。
• name 此操作的名称(可选)。

返回

• 表示稀疏 id 的组合嵌入的密集张量。对于由表示的密集张量中的每一行sparse_ids，op 查找该行中所有 id 的嵌入，将它们乘以相应的权重，并按指定组合这些嵌入。

  换句话说，如果

  shape(combined embedding_weights) = [p0, p1, ..., pm]

  和

  shape(sparse_ids) = shape(sparse_weights) = [d0, d1, ..., dn]

  然后

  shape(output) = [d0, d1, ... dn-1, p1, ..., pm] 。

  例如，如果 params 是一个 10x20 矩阵，那么 sp_ids /sp_weights 是

  [0, 0]:id 1, weight 2.0
    [0, 1]:id 3, weight 0.5
    [1, 0]:id -1, weight 1.0
    [2, 3]:id 1, weight 3.0

  default_id 为 0。

  使用combiner ="mean"，则输出将是一个 3x20 矩阵，其中

  output[0,:] = (params[1,:] * 2.0 + params[3,:] * 0.5) / (2.0 + 0.5)
    output[1,:] = (params[0,:] * 1.0) / 1.0
    output[2,:] = (params[1,:] * 3.0) / 3.0

抛出

• ValueError 如果embedding_weights 为空。