Python tf.nn.safe_embedding_lookup_sparse用法及代碼示例

參數

• embedding_weights 表示完整嵌入張量的單個張量，或除第一個維度外所有相同形狀的張量列表，表示遵循"div" 分區策略的分片嵌入張量。
• sparse_ids SparseTensor 形狀 [d_0, d_1, ..., d_n] 包含 id。 d_0 通常是批量大小。
• sparse_weights SparseTensor 與 sparse_ids 形狀相同，包含與 sparse_ids 或 None 對應的浮點權重，如果所有權重都假定為 1.0。
• combiner 一個字符串，指定如何組合每個條目的嵌入結果。目前支持"mean"、"sqrtn"和"sum"，默認為"mean"。
• default_id 用於沒有特征的條目的 id。默認為 0 向量。
• max_norm 如果不是 None ，則所有嵌入在組合之前都經過 l2 歸一化為 max_norm。
• name 此操作的名稱(可選)。

返回

• 表示稀疏 id 的組合嵌入的密集張量。對於由表示的密集張量中的每一行sparse_ids，op 查找該行中所有 id 的嵌入，將它們乘以相應的權重，並按指定組合這些嵌入。

  換句話說，如果

  shape(combined embedding_weights) = [p0, p1, ..., pm]

  和

  shape(sparse_ids) = shape(sparse_weights) = [d0, d1, ..., dn]

  然後

  shape(output) = [d0, d1, ... dn-1, p1, ..., pm] 。

  例如，如果 params 是一個 10x20 矩陣，那麽 sp_ids /sp_weights 是

  [0, 0]:id 1, weight 2.0
    [0, 1]:id 3, weight 0.5
    [1, 0]:id -1, weight 1.0
    [2, 3]:id 1, weight 3.0

  default_id 為 0。

  使用combiner ="mean"，則輸出將是一個 3x20 矩陣，其中

  output[0,:] = (params[1,:] * 2.0 + params[3,:] * 0.5) / (2.0 + 0.5)
    output[1,:] = (params[0,:] * 1.0) / 1.0
    output[2,:] = (params[1,:] * 3.0) / 3.0

拋出

• ValueError 如果embedding_weights 為空。