Python tf.compat.v1.feature_column.input_layer用法及代碼示例

根據給定的 feature_columns 返回密集的 Tensor 作為輸入層。

用法

tf.compat.v1.feature_column.input_layer(
    features, feature_columns, weight_collections=None, trainable=True,
    cols_to_vars=None, cols_to_output_tensors=None
)

參數

features 從鍵到張量的映射。 _FeatureColumn 通過這些鍵查找。例如 numeric_column('price') 將查看此字典中的 'price' 鍵。值可以是 SparseTensor 或 Tensor 取決於相應的 _FeatureColumn 。
feature_columns 一個包含要用作模型輸入的 FeatureColumns 的迭代。所有項目都應該是派生自 _DenseColumn 的類的實例，例如 numeric_column , embedding_column , bucketized_column , indicator_column 。如果你有分類特征，你可以用 embedding_column 或 indicator_column 包裝它們。
weight_collections 將添加變量的集合名稱列表。請注意，變量也將添加到集合 tf.GraphKeys.GLOBAL_VARIABLES 和 ops.GraphKeys.MODEL_VARIABLES 中。
trainable 如果 True 還將變量添加到圖形集合 GraphKeys.TRAINABLE_VARIABLES (請參閱 tf.Variable )。
cols_to_vars 如果不None, 必須是一個字典，將填充來自的映射_FeatureColumn列出Variables。例如，在調用之後，我們可能有 cols_to_vars = {_EmbeddingColumn( categorical_column=_HashedCategoricalColumn( key='sparse_feature', hash_bucket_size=5, dtype=tf.string), dimension=10):[
cols_to_output_tensors 如果不是 None ，則必須是一個字典，該字典將填充從 '_FeatureColumn' 到關聯輸出 Tensor 的映射。

Tensor 表示模型的輸入層。它的形狀是 (batch_size, first_layer_dimension) 並且它的 dtype 是 float32 。 first_layer_dimension 是根據給定的 feature_columns 確定的。

拋出

ValueError 如果 feature_columns 中的項目不是 _DenseColumn 。

通常使用 FeatureColumns 說明訓練數據中的單個示例。在模型的第一層，這個麵向列的數據應轉換為單個 Tensor 。

例子：

price = numeric_column('price')
keywords_embedded = embedding_column(
    categorical_column_with_hash_bucket("keywords", 10K), dimensions=16)
columns = [price, keywords_embedded, ...]
features = tf.io.parse_example(..., features=make_parse_example_spec(columns))
dense_tensor = input_layer(features, columns)
for units in [128, 64, 32]:
  dense_tensor = tf.compat.v1.layers.dense(dense_tensor, units, tf.nn.relu)
prediction = tf.compat.v1.layers.dense(dense_tensor, 1)

相關用法

注：本文由純淨天空篩選整理自tensorflow.org大神的英文原創作品 tf.compat.v1.feature_column.input_layer。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。