tf.feature_column.categorical_column_with_identity

Функция, возвращающая идентификационные значения. (устаревшая)

tf.feature_column.categorical_column_with_identity(
    key, num_buckets, default_value=None
)

Используется в ноутбуках

Используйте эту функцию, когда ваши входные данные — целые числа в диапазоне [0, num_buckets), и вы хотите использовать само значение входа в качестве категориального идентификатора. Значения за пределами этого диапазона приведут к default_value, если задано, в противном случае произойдёт ошибка.

Обычно это используется для непрерывных диапазонов целочисленных индексов, но необязательно. Однако это может быть неэффективно, если многие из идентификаторов не используются. В этом случае рассмотрите categorical_column_with_hash_bucket.

Для входного словаря features, значение features[key] — это либо Tensor, либо SparseTensor. Если Tensor, пропущенные значения могут быть представлены как -1 для целых чисел и '' для строк, которые будут отброшены этим столбцом признаков.

В следующих примерах каждому входу в диапазоне [0, 1000000) присваивается одно и то же значение. Все остальные входы присваиваются default_value 0. Обратите внимание, что буквальный 0 вводах приведёт к тому же значению по умолчанию.

Линейная модель:

import tensorflow as tf
video_id = tf.feature_column.categorical_column_with_identity(
    key='video_id', num_buckets=1000000, default_value=0)
columns = [video_id]
features = {'video_id': tf.sparse.from_dense([[2, 85, 0, 0, 0],
[33,78, 2, 73, 1]])}
linear_prediction = tf.compat.v1.feature_column.linear_model(features,
columns)

Встраивание для модели DNN:

import tensorflow as tf
video_id = tf.feature_column.categorical_column_with_identity(
    key='video_id', num_buckets=1000000, default_value=0)
columns = [tf.feature_column.embedding_column(video_id, 9)]
features = {'video_id': tf.sparse.from_dense([[2, 85, 0, 0, 0],
[33,78, 2, 73, 1]])}
input_layer = tf.keras.layers.DenseFeatures(columns)
dense_tensor = input_layer(features)