tf.feature_column.crossed_column

Возвращает столбец для выполнения перекрёстных операций категориальных признаков. (устарело)

Просмотр псевдонимов

Псевдонимы для миграции

Дополнительную информацию см. в руководстве по миграции.

tf.compat.v1.feature_column.crossed_column

tf.feature_column.crossed_column(
    keys, hash_bucket_size, hash_key=None
)

Используется в ноутбуках

Используется в учебниках
Классификация структурированных данных с помощью столбцов признаков Создание линейной модели с помощью Estimators

Перекрёстные признаки будут хэшироваться в соответствии с hash_bucket_size. По сути, преобразование можно представить как: Hash(декартово произведение признаков) % hash_bucket_size

Например, если входные признаки:

SparseTensor, на который ссылается первый ключ:
```
shape = [2, 2]
{
    [0, 0]: "a"
    [1, 0]: "b"
    [1, 1]: "c"
}
```
SparseTensor, на который ссылается второй ключ:
```
shape = [2, 1]
{
    [0, 0]: "d"
    [1, 0]: "e"
}
```

то перекрёстный признак будет выглядеть так:

 shape = [2, 2]
{
    [0, 0]: Hash64("d", Hash64("a")) % hash_bucket_size
    [1, 0]: Hash64("e", Hash64("b")) % hash_bucket_size
    [1, 1]: Hash64("e", Hash64("c")) % hash_bucket_size
}

Вот пример создания линейной модели с перекрестными операциями строковых признаков:

keywords_x_doc_terms = crossed_column(['keywords', 'doc_terms'], 50K)
columns = [keywords_x_doc_terms, ...]
features = tf.io.parse_example(..., features=make_parse_example_spec(columns))
linear_prediction = linear_model(features, columns)

Вы также можете использовать поиск словаря перед перекрёстной операцией:

keywords = categorical_column_with_vocabulary_file(
    'keywords', '/path/to/vocabulary/file', vocabulary_size=1K)
keywords_x_doc_terms = crossed_column([keywords, 'doc_terms'], 50K)
columns = [keywords_x_doc_terms, ...]
features = tf.io.parse_example(..., features=make_parse_example_spec(columns))
linear_prediction = linear_model(features, columns)

Если входной признак имеет числовой тип, вы можете использовать categorical_column_with_identity или bucketized_column, как в примере:

# vertical_id is an integer categorical feature.
vertical_id = categorical_column_with_identity('vertical_id', 10K)
price = numeric_column('price')
# bucketized_column converts numerical feature to a categorical one.
bucketized_price = bucketized_column(price, boundaries=[...])
vertical_id_x_price = crossed_column([vertical_id, bucketized_price], 50K)
columns = [vertical_id_x_price, ...]
features = tf.io.parse_example(..., features=make_parse_example_spec(columns))
linear_prediction = linear_model(features, columns)

Чтобы использовать перекрёстный столбец в модели DNN, необходимо добавить его в столбец встраивания, как в этом примере:

vertical_id_x_price = crossed_column([vertical_id, bucketized_price], 50K)
vertical_id_x_price_embedded = embedding_column(vertical_id_x_price, 10)
dense_tensor = input_layer(features, [vertical_id_x_price_embedded, ...])

Аргументы
`keys`	Итерируемый объект, определяющий признаки для перекрёстной операции. Каждый элемент может быть либо: строка: Использует соответствующий признак, который должен быть строкового типа. `CategoricalColumn`: Использует преобразованный тензор, созданный этим столбцом. Не поддерживает хэшированный категорический столбец.
`hash_bucket_size`	Целое число > 1. Количество ведер.
`hash_key`	Указывает ключ хэширования, который будет использоваться функцией `FingerprintCat64` для объединения отпечатков перекрестий в SparseCrossOp (необязательно).

Возвращаемое значение
`CrossedColumn`.

Исключения
`ValueError`	Если `len(keys) < 2`.
`ValueError`	Если любой из ключей не является ни строкой, ни `CategoricalColumn`.
`ValueError`	Если любой из ключей является `HashedCategoricalColumn`.
`ValueError`	Если `hash_bucket_size < 1`.

© 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/crossed_column