tf.compat.v1.keras.layers.DenseFeatures

Слой, который генерирует плотное Tensor на основе заданных feature_columns.

tf.compat.v1.keras.layers.DenseFeatures(
    feature_columns, trainable=True, name=None, partitioner=None, **kwargs
)

Обычно каждый пример в обучающих данных описывается FeatureColumns. На первом слое модели эти данные, ориентированные на столбцы, должны быть преобразованы в единый Tensor.

Этот слой можно вызывать несколько раз с различными признаками.

Это версия V1 этого слоя, использующая variable_scope или partitioner для создания переменных, что хорошо работает с PartitionedVariables. Variable scopes устарели в V2, поэтому версия V2 использует name_scopes вместо них. Но в настоящее время это не поддерживает распределенные переменные. Используйте этот слой, если вам нужны распределенные переменные. Используйте аргумент partitioner, если у вас есть модель Keras и вы используете tf.compat.v1.keras.estimator.model_to_estimator для обучения.

Пример:

price = tf.feature_column.numeric_column('price')
keywords_embedded = tf.feature_column.embedding_column(
    tf.feature_column.categorical_column_with_hash_bucket("keywords", 10K),
    dimension=16)
columns = [price, keywords_embedded, ...]
partitioner = tf.compat.v1.fixed_size_partitioner(num_shards=4)
feature_layer = tf.compat.v1.keras.layers.DenseFeatures(
    feature_columns=columns, partitioner=partitioner)

features = tf.io.parse_example(
    ..., features=tf.feature_column.make_parse_example_spec(columns))
dense_tensor = feature_layer(features)
for units in [128, 64, 32]:
  dense_tensor = tf.compat.v1.keras.layers.Dense(
                     units, activation='relu')(dense_tensor)
prediction = tf.compat.v1.keras.layers.Dense(1)(dense_tensor)