tf.compat.v2.feature_column.shared_embeddings

Список плотных столбцов, которые преобразуют разреженный категориальный ввод.

tf.compat.v2.feature_column.shared_embeddings(
    categorical_columns, dimension, combiner='mean', initializer=None,
    shared_embedding_collection_name=None, ckpt_to_load_from=None,
    tensor_name_in_ckpt=None, max_norm=None, trainable=True
)

Это аналогично embedding_column, за исключением того, что он генерирует список столбцов встраивания, которые используют одни и те же веса встраивания.

Используйте это, когда ваши входные данные являются разреженными и одного типа (например, идентификаторы видео с просмотром и отображением, которые используют один и тот же словарь), и вы хотите преобразовать их в плотное представление (например, для подачи в DNN).

Входы должны быть списком категориальных столбцов, созданных любой из функций categorical_column_*. Они должны быть всех одного типа и иметь одинаковые аргументы, за исключением key. Например, они могут быть categorical_column_with_vocabulary_file с одним и тем же vocabulary_file. Некоторые или все столбцы также могут быть weighted_categorical_column.

Вот пример встраивания двух признаков для модели DNNClassifier:

watched_video_id = categorical_column_with_vocabulary_file(
    'watched_video_id', video_vocabulary_file, video_vocabulary_size)
impression_video_id = categorical_column_with_vocabulary_file(
    'impression_video_id', video_vocabulary_file, video_vocabulary_size)
columns = shared_embedding_columns(
    [watched_video_id, impression_video_id], dimension=10)

estimator = tf.estimator.DNNClassifier(feature_columns=columns, ...)

label_column = ...
def input_fn():
  features = tf.io.parse_example(
      ..., features=make_parse_example_spec(columns + [label_column]))
  labels = features.pop(label_column.name)
  return features, labels

estimator.train(input_fn=input_fn, steps=100)

Вот пример использования shared_embedding_columns с model_fn:

def model_fn(features, ...):
  watched_video_id = categorical_column_with_vocabulary_file(
      'watched_video_id', video_vocabulary_file, video_vocabulary_size)
  impression_video_id = categorical_column_with_vocabulary_file(
      'impression_video_id', video_vocabulary_file, video_vocabulary_size)
  columns = shared_embedding_columns(
      [watched_video_id, impression_video_id], dimension=10)
  dense_tensor = input_layer(features, columns)
  # Form DNN layers, calculate loss, and return EstimatorSpec.
  ...