tf.compat.v1.feature_column.input_layer

Возвращает плотный Tensor в качестве входного слоя на основе заданного 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
)

Как правило, отдельный пример в обучающих данных описывается столбцами признаков. На первом слое модели эти данные, организованные по столбцам, необходимо преобразовать 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`	Отображение ключей на тензоры. `_FeatureColumn` выполняют поиск по этим ключам. Например, `numeric_column('price')` будет искать ключ 'price' в этом словаре. Значениями могут быть `SparseTensor` или `Tensor` — в зависимости от соответствующего `_FeatureColumn`.
`feature_columns`	Итерируемый объект, содержащий столбцы признаков, используемые в качестве входных данных модели. Все элементы должны быть экземплярами классов, производных от `_DenseColumn`, например `numeric_column`, `embedding_column`, `bucketized_column`, `indicator_column`. Категориальные признаки можно обернуть в `embedding_column` или `indicator_column`.
`weight_collections`	Список имён коллекций, в которые будет добавлена переменная. Обратите внимание, что переменные также будут добавлены в коллекции `tf.GraphKeys.GLOBAL_VARIABLES` и `ops.GraphKeys.MODEL_VARIABLES`.
`trainable`	Если `True`, также добавить переменную в коллекцию графа `GraphKeys.TRAINABLE_VARIABLES` (см. `tf.Variable`).
`cols_to_vars`	Если значение не равно `None`, должен быть словарь, который будет заполнен отображением от `_FeatureColumn` к списку `Variable`. Например, после вызова мы можем получить cols_to_vars = {_EmbeddingColumn( categorical_column=_HashedCategoricalColumn( key='sparse_feature', hash_bucket_size=5, dtype=tf.string), dimension=10): [
`cols_to_output_tensors`	Если значение не равно `None`, должен быть словарь, который будет заполнен отображением от '_FeatureColumn' к соответствующим выходным `Tensor`.

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

Вызывает 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