Python tf.keras.layers.Discretization用法及代碼示例

一個預處理層，按範圍對連續特征進行存儲。

繼承自：PreprocessingLayer、Layer、Module

用法

tf.keras.layers.Discretization(
    bin_boundaries=None, num_bins=None, epsilon=0.01, output_mode='int',
    sparse=False, **kwargs
)

屬性

bin_boundaries bin 邊界列表。最左邊和最右邊的 bin 將始終擴展到 -inf 和 inf ，因此 bin_boundaries=[0., 1., 2.] 生成 bin (-inf, 0.) , [0., 1.) , [1., 2.) 和 [2., +inf) 。如果設置了此選項，則不應調用adapt()。
num_bins 要計算的二進製數的整數。如果設置了此選項，則應調用 adapt() 來了解 bin 邊界。
epsilon 容錯，通常是接近零的一小部分(例如 0.01)。較高的 epsilon 值會增加分位數近似值，因此會導致更多不相等的桶，但可以提高性能和資源消耗。
output_mode
層輸出的規範。默認為"int".值可以是"int","one_hot","multi_hot"，或者"count"配置層如下：
- "int" ：直接返回分類後的 bin 索引。
- "one_hot" ：將輸入中的每個單獨元素編碼為與 num_bins 大小相同的數組，在輸入的 bin 索引處包含 1。如果最後一個維度是大小 1，將在該維度上進行編碼。如果最後一個維度不是大小 1，將為編碼輸出附加一個新維度。
- "multi_hot" ：將輸入中的每個樣本編碼為與 num_bins 大小相同的單個數組，其中包含樣本中存在的每個 bin 索引索引的 1。將最後一個維度視為樣本維度，如果輸入形狀為 (..., sample_length) ，則輸出形狀將為 (..., num_tokens) 。
- "count" ：與 "multi_hot" 一樣，但 int 數組包含 bin 索引在樣本中出現的次數的計數。
sparse 布爾值。僅適用於 "one_hot" , "multi_hot" 和 "count" 輸出模式。如果為 True，則返回 SparseTensor 而不是密集的 Tensor 。默認為假。
is_adapted 圖層是否已經適合數據。

該層會將其輸入數據的每個元素放入幾個連續範圍之一，並輸出一個整數索引，指示每個元素放置在哪個範圍內。

有關預處理層的概述和完整列表，請參閱預處理指南。

輸入形狀：

任何維度 2 或更高的 tf.Tensor 或 tf.RaggedTensor。

輸出形狀：

與輸入形狀相同。

例子：

根據提供的存儲桶對浮點值進行分桶。

>>> input = np.array([[-1.5, 1.0, 3.4, .5], [0.0, 3.0, 1.3, 0.0]])
>>> layer = tf.keras.layers.Discretization(bin_boundaries=[0., 1., 2.])
>>> layer(input)
<tf.Tensor:shape=(2, 4), dtype=int64, numpy=
array([[0, 2, 3, 1],
       [1, 3, 2, 1]], dtype=int64)>

根據要計算的桶數對浮點值進行桶化。

>>> input = np.array([[-1.5, 1.0, 3.4, .5], [0.0, 3.0, 1.3, 0.0]])
>>> layer = tf.keras.layers.Discretization(num_bins=4, epsilon=0.01)
>>> layer.adapt(input)
>>> layer(input)
<tf.Tensor:shape=(2, 4), dtype=int64, numpy=
array([[0, 2, 3, 2],
       [1, 3, 3, 1]], dtype=int64)>

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.keras.layers.Discretization。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。