tf.compat.v1.nn.safe_embedding_lookup_sparse

Поиск результатов вложения, учитывая недопустимые идентификаторы и пустые признаки.

tf.compat.v1.nn.safe_embedding_lookup_sparse(
    embedding_weights,
    sparse_ids,
    sparse_weights=None,
    combiner='mean',
    default_id=None,
    name=None,
    partition_strategy='div',
    max_norm=None,
    allow_fast_lookup=False
)

Разделенное вложение в embedding_weights должно иметь одинаковую форму, за исключением первого измерения. Первое измерение допускается изменять, так как размер словаря не обязательно кратен P. embedding_weights может быть PartitionedVariable, как возвращается при использовании tf.compat.v1.get_variable() с разделителем.

Недопустимые идентификаторы (< 0) удаляются из входных идентификаторов и весов, а также любые идентификаторы с неотрицательными весами. Для записи без признаков возвращается вектор вложения для default_id, или нулевой вектор, если default_id не предоставлен.

Идентификаторы и веса могут быть многомерными SparseTensor или RaggedTensor с рангом 2. Для SpareTensor с выровненными влево ненулевыми записями, которые можно описать как RaggedTensor, использование RaggedTensor может повысить производительность. Вложения всегда агрегируются по последнему измерению.

Аргументы
`embedding_weights`	Один тензор, представляющий полный тензор вложения, или список тензоров, имеющих одинаковую форму, за исключением первого измерения, представляющих фрагментированные тензоры вложения. Также, `PartitionedVariable`, созданный путем разбиения по измерению 0. Каждый элемент должен иметь соответствующий размер для заданного `partition_strategy`.
`sparse_ids`	`SparseTensor` формы `[d_0, d_1, ..., d_n]`, содержащий идентификаторы, где `d_0` обычно размер пакета, или `RaggedTensor` с рангом 2.
`sparse_weights`	`SparseTensor` или `RaggedTensor` того же типа и формы, что и `sparse_ids`, содержащий плавающие веса, соответствующие `sparse_ids`, или `None`, если все веса предполагаются равными 1,0.
`combiner`	Строка, определяющая способ объединения результатов вложения для каждой записи. В настоящее время поддерживаются "mean", "sqrtn" и "sum", по умолчанию используется "mean".
`default_id`	Идентификатор, используемый для записи без признаков.
`name`	Имя для этой операции (необязательно).
`partition_strategy`	Строка, определяющая стратегию разбиения. В настоящее время поддерживаются `"div"` и `"mod"`. По умолчанию используется `"div"`.
`max_norm`	Если не `None`, все вложения нормируются по l2 до max_norm перед объединением.
`allow_fast_lookup`	Необязательный логический параметр, определяющий, разрешить ли упрощенные поиски вложений, когда `params` представляет собой один тензор, а `max_norm` является `None`. Установка этого флага в `True` во время обучения может привести к использованию плотных градиентов с увеличенной занимаемой памятью.

Возвращаемое значение

Возвращаемое значение
Плотное тензорное представление объединенных вложений для разреженных идентификаторов. Для каждой строки в плотном тензоре, представленном `sp_ids`, операция ищет вложения для всех идентификаторов в этой строке, умножает их на соответствующий вес и объединяет эти вложения в соответствии с указанными параметрами. Другими словами, если `shape(combined embedding_weights) = [p0, p1, ..., pm]` и `shape(sparse_ids) = shape(sparse_weights) = [d0, d1, ..., dn]` тогда `shape(output) = [d0, d1, ... dn-1, p1, ..., pm]`. Например, если параметры представляют собой матрицу 10x20, а sp_ids / sp_weights являются [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` равно 0. с `combiner`="mean", то выход будет представлять собой матрицу 3x20, где 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

Плотное тензорное представление объединенных вложений для разреженных идентификаторов. Для каждой строки в плотном тензоре, представленном sp_ids, операция ищет вложения для всех идентификаторов в этой строке, умножает их на соответствующий вес и объединяет эти вложения в соответствии с указанными параметрами.

Другими словами, если

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

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

тогда

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

Например, если параметры представляют собой матрицу 10x20, а sp_ids / sp_weights являются

[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 равно 0.

с combiner="mean", то выход будет представлять собой матрицу 3x20, где

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

Исключения
`ValueError`	если `embedding_weights` пустое.

© 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/nn/safe_embedding_lookup_sparse