Python tf.compat.v1.tpu.experimental.embedding_column用法及代碼示例

參數

• categorical_column 從 categorical_column_with_identity , weighted_categorical_column , categorical_column_with_vocabulary_file , categorical_column_with_vocabulary_list , sequence_categorical_column_with_identity , sequence_categorical_column_with_vocabulary_file , sequence_categorical_column_with_vocabulary_list 返回的分類列
• dimension 指定嵌入維度的整數，必須 > 0。
• combiner 一個字符串，指定在非序列列的單行中有多個條目時如何減少。有關詳細信息，請參閱tf.feature_column.embedding_column。
• initializer 用於嵌入變量初始化的變量初始化函數。如果未指定，則默認為 tf.compat.v1.truncated_normal_initializer ，平均值為 0.0 和標準差 1/sqrt(dimension) 。
• max_sequence_length 指定最大序列長度的非負整數。任何比這更短的序列都將被填充 0 個嵌入，任何更長的序列都將被截斷。這對於序列特征必須為正，對於非序列特征必須為 0。
• learning_rate_fn 一個函數，它采用全局步驟並返回嵌入表的學習率。如果您打算對多個嵌入表使用相同的學習率，請確保您將完全相同的 python 函數傳遞給embedding_column的所有調用，否則性能可能會受到影響。
• embedding_lookup_device 運行嵌入查找的設備。有效選項為 "cpu"、"tpu_tensor_core" 和 "tpu_embedding_core"。如果指定 "tpu_tensor_core"，則必須提供 tensor_core_shape。如果未指定，默認行為是在 "tpu_embedding_core" 上嵌入查找以進行訓練，在 "cpu" 上嵌入查找以進行推理。訓練的有效選項：["tpu_embedding_core", "tpu_tensor_core"] 服務的有效選項：["cpu", "tpu_tensor_core"] 對於訓練，tpu_embedding_core 適用於大型嵌入詞匯(>1M)，否則，tpu_tensor_core通常就足夠了。對於服務，在服務期間對 tpu_tensor_core 進行嵌入查找是一種在出現瓶頸的情況下減少主機 CPU 使用率的方法。
• tensor_core_shape 如果提供，一個整數列表，它指定預期的密集形狀以在 TensorCore 上運行嵌入查找此函數。批處理維度可以保留為 None 或 -1 以指示動態形狀。當前僅支持 2 級形狀。
• use_safe_embedding_lookup 如果為真，則使用 safe_embedding_lookup_sparse 而不是 embedding_lookup_sparse。 safe_embedding_lookup_sparse 確保沒有空行，並且所有權重和 id 都是正數，但代價是額外的計算成本。這僅適用於 rank 2 (NxM) 形狀的輸入張量。默認為 true，如果不需要上述檢查，請考慮關閉。請注意，盡管輸出結果可能為 0 或省略，但具有空行不會觸發任何錯誤。

返回

• 一個_TPUEmbeddingColumnV2。

拋出

• ValueError 如果 dimension 不 > 0。
• ValueError 如果指定了 initializer 但不可調用。