tf.compat.v1.feature_column.input_layer

Возвращает плотный Tensor в качестве входного слоя на основе заданных feature_columns. (устарело)

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

В целом, один пример в обучающих данных описывается с помощью FeatureColumns. На первом слое модели эти данные, ориентированные на столбцы, должны быть преобразованы в один Tensor.

Пример:

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)

Аргументы
`features`	Сопоставление ключа с тензорами. `_FeatureColumn` ищут по этим ключам. Например, `numeric_column('price')` обратится к ключу 'price' в этом словаре. Значения могут быть `SparseTensor` или `Tensor`, в зависимости от соответствующего `_FeatureColumn`.
`feature_columns`	Итерируемый объект, содержащий FeatureColumns, которые будут использоваться в качестве входных данных для вашей модели. Все элементы должны быть экземплярами классов, производных от `_DenseColumn`, таких как `numeric_column`, `embedding_column`, `bucketized_column`, `indicator_column`. Если у вас есть категориальные признаки, вы можете обернуть их с помощью `embedding_column` или `indicator_column`.
`weight_collections`	Список имен коллекций, в которые будет добавлен переменная. Обратите внимание, что переменные также будут добавлены в коллекции `tf.GraphKeys.GLOBAL_VARIABLES` и `ops.GraphKeys.MODEL_VARIABLES`.
`trainable`	Если `True`, также добавьте переменную в коллекцию графа `GraphKeys.TRAINABLE_VARIABLES` (см. `tf.Variable`).
`cols_to_vars`	Если не `None`, должен быть словарь, который будет заполнен сопоставлением от `_FeatureColumn` до списка `Variable`. Например, после вызова у нас может быть cols_to_vars = {_EmbeddingColumn( categorical_column=_HashedCategoricalColumn( key='sparse_feature', hash_bucket_size=5, dtype=tf.string), dimension=10): [
`cols_to_output_tensors`	Если не `None`, должен быть словарь, который будет заполнен сопоставлением от '_FeatureColumn' к соответствующим выходным `Tensor`.

Возвращает
`Tensor`, представляющий входной слой модели. Его размерность (batch_size, first_layer_dimension), а тип данных — `float32`. first_layer_dimension определяется на основе заданных `feature_columns`.

Возможные исключения
`ValueError`	если элемент в `feature_columns` не является `_DenseColumn`.

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/api_docs/python/tf/compat/v1/feature_column/input_layer