Python tf.tpu.experimental.embedding.FeatureConfig用法及代码示例

一种嵌入函数的配置数据。

用法

tf.tpu.experimental.embedding.FeatureConfig(
    table:tf.tpu.experimental.embedding.TableConfig,
    max_sequence_length:int = 0,
    validate_weights_and_indices:bool = True,
    output_shape:Optional[Union[List[int], tf.TensorShape]] = None,
    name:Optional[Text] = None
)

此类保存单个嵌入函数的配置数据。主要用途是通过 table 参数将特征分配给tf.tpu.experimental.embedding.TableConfigs：

table_config_one = tf.tpu.experimental.embedding.TableConfig(
    vocabulary_size=...,
    dim=...)
table_config_two = tf.tpu.experimental.embedding.TableConfig(
    vocabulary_size=...,
    dim=...)
feature_config = {
    'feature_one':tf.tpu.experimental.embedding.FeatureConfig(
        table=table_config_one),
    'feature_two':tf.tpu.experimental.embedding.FeatureConfig(
        table=table_config_one),
    'feature_three':tf.tpu.experimental.embedding.FeatureConfig(
        table=table_config_two)}
embedding = tf.tpu.experimental.embedding.TPUEmbedding(
    feature_config=feature_config,
    batch_size=...
    optimizer=tf.tpu.experimental.embedding.Adam(0.1))

上面的配置有 2 个表和 3 个特征。前两个特征将在第一个表中查找，第三个特征将在第二个表中查找。

您还可以为每个特征指定输出形状。输出形状应该是预期的激活形状，不包括表格维度。对于密集和稀疏张量，输出形状应与输入形状相同，但不包括最后一维。对于不规则张量，输出形状可能与输入形状不匹配。

注意：max_sequence_length 仅在输入张量具有 rank 2 并且在特征配置中未设置 output_shape 时使用。

将特征馈送到embedding.enqueue 时，它们可以是tf.Tensor s、tf.SparseTensor s 或tf.RaggedTensor s。当参数 max_sequence_length 为 0(默认值)时，对于形状为 (batch_size, dim) 的此函数，您应该期望输出 embedding.dequeue。如果 max_sequence_length 大于 0，则将特征作为序列嵌入并填充到给定长度。此函数的输出形状将为 (batch_size, max_sequence_length, dim) 。