Python tf.io.SparseFeature用法及代碼示例

用於從 Example 解析稀疏輸入特征的配置。

用法

tf.io.SparseFeature(
    index_key, value_key, dtype, size, already_sorted=False
)

請注意，由於其簡單性，最好使用 VarLenFeature(可能與 SequenceExample 組合)以解析出 SparseTensor 而不是 SparseFeature。

密切模仿將通過使用SparseFeature 配置解析Example 獲得的SparseTensor，SparseFeature 包含

• value_key ：Example 中 Feature 的鍵名，其解析後的 Tensor 將是生成的 SparseTensor.values 。

• index_key ：名稱列表 - 生成的 SparseTensor 中的每個維度都有一個名稱，其 indices[i][dim] 表示 i -th 值在 dim 維度中的位置將等於 i -th Feature 中的值與 Example 中名為 index_key[dim] 的鍵。

• size ：生成的 SparseTensor.dense_shape 的整數列表。

比如我們可以表示下麵的2DSparseTensor

SparseTensor(indices=[[3, 1], [20, 0]],
             values=[0.5, -1.0]
             dense_shape=[100, 3])

帶有 Example 輸入原型

features {
  feature { key:"val" value { float_list { value:[ 0.5, -1.0 ] } } }
  feature { key:"ix0" value { int64_list { value:[ 3, 20 ] } } }
  feature { key:"ix1" value { int64_list { value:[ 1, 0 ] } } }
}

和 SparseFeature 配置 2 index_key s

SparseFeature(index_key=["ix0", "ix1"],
              value_key="val",
              dtype=tf.float32,
              size=[100, 3])

領域：

• index_key：單個字符串名稱或索引特征的字符串名稱列表。對於每個鍵，基礎函數的類型必須是int64並且它的長度必須始終與value_key特征。代表SparseTensor帶有一個dense_shape的rank大於 1 的長度列表rank應該使用。
• value_key：價值特征的名稱。基礎特征的類型必須是dtype並且它的長度必須總是匹配所有的index_keys 的特點。
• dtype:數據類型value_key特征。
• size：指定密集形狀的 Python int 或其列表。當且僅當應該是一個列表index_key是一個列表。在這種情況下，列表必須等於index_key.每個條目i中的所有值index_key[i] 特征必須在[0, size[i]).
• already_sorted：一個 Python 布爾值，用於指定是否在value_key已按其索引位置排序。如果是這樣跳過排序。默認為 False(可選)。