tf.feature_column.categorical_column_with_vocabulary_list

Объект с вокабуляром в памяти. (устарело)

Просмотр псевдонимов

Псевдонимы для миграции

Дополнительную информацию см. в руководстве по миграции.

tf.compat.v1.feature_column.categorical_column_with_vocabulary_list

tf.feature_column.categorical_column_with_vocabulary_list(
    key, vocabulary_list, dtype=None, default_value=-1, num_oov_buckets=0
)

Используется в ноутбуках

Используется в руководстве	Используется в учебниках
Мигрировать `tf.feature_column` к слоям предварительной обработки Keras Estimators	Классификация структурированных данных с помощью столбцов признаков Создание линейной модели с помощью Estimators Пример «от и до» для чтения TensorFlow из BigQuery

Используйте этот метод, когда ваши входные данные представлены в формате строки или целого числа, а у вас есть вокабуляр в памяти, сопоставляющий каждое значение с целочисленным идентификатором. По умолчанию значения, отсутствующие в словаре, игнорируются. Используйте либо (но не оба) num_oov_buckets и default_value, чтобы указать, как включать значения, отсутствующие в словаре.

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

Пример с num_oov_buckets: В следующем примере каждому входу в vocabulary_list присваивается идентификатор 0-3, соответствующий его индексу (например, вход 'B' даёт выход 2). Все остальные входные данные хешируются и присваиваются идентификаторам 4-5.

colors = categorical_column_with_vocabulary_list(
    key='colors', vocabulary_list=('R', 'G', 'B', 'Y'),
    num_oov_buckets=2)
columns = [colors, ...]
features = tf.io.parse_example(..., features=make_parse_example_spec(columns))
linear_prediction, _, _ = linear_model(features, columns)

Пример с default_value: В следующем примере каждому входу в vocabulary_list присваивается идентификатор 0-4, соответствующий его индексу (например, вход 'B' даёт выход 3). Все остальные входные данные получают default_value 0.

colors = categorical_column_with_vocabulary_list(
    key='colors', vocabulary_list=('X', 'R', 'G', 'B', 'Y'), default_value=0)
columns = [colors, ...]
features = tf.io.parse_example(..., features=make_parse_example_spec(columns))
linear_prediction, _, _ = linear_model(features, columns)

И для создания встраивания с помощью:

columns = [embedding_column(colors, 3),...]
features = tf.io.parse_example(..., features=make_parse_example_spec(columns))
dense_tensor = input_layer(features, columns)

Аргументы
`key`	Уникальная строка, идентифицирующая входной признак. Она используется в качестве имени столбца и ключа словаря для конфигураций обработки признаков, объектов признаков `Tensor` и столбцов признаков.
`vocabulary_list`	Упорядоченный итерируемый объект, определяющий словарь. Каждый признак сопоставляется с индексом своего значения (если присутствует) в `vocabulary_list`. Должен быть преобразуем в `dtype`.
`dtype`	Тип признаков. Поддерживаются только строковые и целочисленные типы. Если `None`, он будет выведен из `vocabulary_list`.
`default_value`	Значение целочисленного идентификатора, которое необходимо вернуть для значений признаков, отсутствующих в словаре, по умолчанию равно `-1`. Это нельзя указать с положительным `num_oov_buckets`.
`num_oov_buckets`	Неотрицательное целое число, количество ведёр для значений признаков, отсутствующих в словаре. Все входные данные, отсутствующие в словаре, будут назначены идентификаторам в диапазоне `[len(vocabulary_list), len(vocabulary_list)+num_oov_buckets)` на основе хеширования входного значения. Положительный `num_oov_buckets` не может быть указан с `default_value`.

Возвращает
Объект `CategoricalColumn` с вокабуляром в памяти.

Возможные исключения
`ValueError`	если `vocabulary_list` пуст или содержит дублирующие ключи.
`ValueError`	`num_oov_buckets` является отрицательным целым числом.
`ValueError`	`num_oov_buckets` и `default_value` оба указаны.
`ValueError`	если `dtype` не является целым или строковым.

© 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/feature_column/categorical_column_with_vocabulary_list