tf.keras.experimental.SequenceFeatures

Слой для последовательного ввода.

tf.keras.experimental.SequenceFeatures(
    feature_columns, trainable=True, name=None, **kwargs
)

Все feature_columns должны быть последовательными плотными столбцами с одинаковыми sequence_length. Результат этого метода можно подавать в последовательные сети, такие как RNN.

Результат этого метода — 3D Tensor формы [batch_size, T, D]. T — максимальная длина последовательности для данного пакета, которая может отличаться от пакета к пакету.

Если задано несколько feature_columns с Di num_elements каждый, их выходы конкатенируются. Таким образом, окончательный Tensor имеет форму [batch_size, T, D0 + D1 + ... + Dn].

Пример:

# Behavior of some cells or feature columns may depend on whether we are in
# training or inference mode, e.g. applying dropout.
training = True
rating = sequence_numeric_column('rating')
watches = sequence_categorical_column_with_identity(
    'watches', num_buckets=1000)
watches_embedding = embedding_column(watches, dimension=10)
columns = [rating, watches_embedding]

sequence_input_layer = SequenceFeatures(columns)
features = tf.io.parse_example(...,
                               features=make_parse_example_spec(columns))
sequence_input, sequence_length = sequence_input_layer(
   features, training=training)
sequence_length_mask = tf.sequence_mask(sequence_length)

rnn_cell = tf.keras.layers.SimpleRNNCell(hidden_size, training=training)
rnn_layer = tf.keras.layers.RNN(rnn_cell, training=training)
outputs, state = rnn_layer(sequence_input, mask=sequence_length_mask)