tf.feature_column.categorical_column_with_identity

Функция, возвращающая идентификаторы.

tf.feature_column.categorical_column_with_identity(
    key, num_buckets, default_value=None
)

Используйте эту функцию, когда ваши входные данные являются целыми числами в диапазоне [0, num_buckets), и вы хотите использовать значение входных данных в качестве категориального идентификатора. Значения за пределами этого диапазона приведут к default_value если указано, в противном случае произойдёт ошибка.

Обычно это используется для непрерывных диапазонов целочисленных индексов, но не обязательно. Однако это может быть неэффективно, если многие идентификаторы не используются. В этом случае рассмотрите categorical_column_with_hash_bucket.

Для входного словаря features, features[key] равно либо Tensor, либо SparseTensor. Если Tensor, пропущенные значения могут быть представлены как -1 для целых чисел и '' для строк, которые будут пропущены этой колонкой признаков.

В следующих примерах каждому входу в диапазоне [0, 1000000) присваивается то же значение. Все остальные входы присваиваются default_value 0. Обратите внимание, что буквальный 0 в входе приведет к тому же значению по умолчанию.

Линейная модель:

video_id = categorical_column_with_identity(
    key='video_id', num_buckets=1000000, default_value=0)
columns = [video_id, ...]
features = tf.io.parse_example(..., features=make_parse_example_spec(columns))
linear_prediction, _, _ = linear_model(features, columns)

Встраивание для модели DNN:

columns = [embedding_column(video_id, 9),...]
features = tf.io.parse_example(..., features=make_parse_example_spec(columns))
dense_tensor = input_layer(features, columns)