tf.feature_column.categorical_column_with_vocabulary_list

A CategoricalColumn с в памяти словарем.

Просмотр псевдонимов

Псевдонимы для миграции

См. Руководство по миграции для получения дополнительных сведений.

tf.compat.v1.feature_column.categorical_column_with_vocabulary_list

tf.feature_column.categorical_column_with_vocabulary_list(
    key, vocabulary_list, dtype=None, default_value=-1, num_oov_buckets=0
)

Используйте этот метод, когда ваши входные данные представлены в строчном или целочисленном формате, и у вас есть словарь в памяти, отображающий каждое значение в целочисленный идентификатор. По умолчанию значения, отсутствующие в словаре, игнорируются. Используйте либо (но не оба) num_oov_buckets и default_value для указания, как включать значения, отсутствующие в словаре.

Для входного словаря features, features[key] является либо Tensor или SparseTensor. Если Tensor, пропущенные значения могут быть представлены как -1 для целых чисел и '' для строк, которые будут отброшены этим столбцом признаков.

Пример с num_oov_buckets: В следующем примере каждое входное значение в vocabulary_list получает идентификатор от 0 до 3, соответствующий его индексу (например, вход 'B' дает выход 2). Все остальные входные значения хэшируются и получают идентификатор от 4 до 5.

colors = categorical_column_with_vocabulary_list(
    key='colors', vocabulary_list=('R', 'G', 'B', 'Y'),
    num_oov_buckets=2)
columns = [colors, ...]
features = tf.io.parse_example(..., features=make_parse_example_spec(columns))
linear_prediction, _, _ = linear_model(features, columns)

Пример с default_value: В следующем примере каждое входное значение в vocabulary_list получает идентификатор от 0 до 4, соответствующий его индексу (например, вход 'B' дает выход 3). Все остальные входные значения получают default_value 0.

colors = categorical_column_with_vocabulary_list(
    key='colors', vocabulary_list=('X', 'R', 'G', 'B', 'Y'), default_value=0)
columns = [colors, ...]
features = tf.io.parse_example(..., features=make_parse_example_spec(columns))
linear_prediction, _, _ = linear_model(features, columns)

И для создания встраивания с любым из:

columns = [embedding_column(colors, 3),...]
features = tf.io.parse_example(..., features=make_parse_example_spec(columns))
dense_tensor = input_layer(features, columns)

Аргументы
`key`	Уникальная строка, идентифицирующая входной признак. Она используется в качестве имени столбца и ключа словаря для конфигураций обработки признаков, объектов признаков `Tensor` и столбцов признаков.
`vocabulary_list`	Упорядоченный итерируемый объект, определяющий словарь. Каждый признак сопоставляется с индексом его значения (если присутствует) в `vocabulary_list`. Должен быть преобразуем в `dtype`.
`dtype`	Тип признаков. Поддерживаются только строковый и целочисленный типы. Если `None`, он будет определен из `vocabulary_list`.
`default_value`	Целочисленное значение ID для возвращаемого значения признака, отсутствующего в словаре, по умолчанию `-1`. Это не может быть указано с положительным `num_oov_buckets`.
`num_oov_buckets`	Положительное целое число, количество ведер для значений, отсутствующих в словаре. Все входные данные, отсутствующие в словаре, будут назначены идентификаторам в диапазоне `[len(vocabulary_list), len(vocabulary_list)+num_oov_buckets)` на основе хэширования входного значения. Положительный `num_oov_buckets` не может быть указан с `default_value`.

Возвращаемое значение
A `CategoricalColumn` с в памяти словарем.

Возможные исключения
`ValueError`	если `vocabulary_list` пусто или содержит дублирующиеся ключи.
`ValueError`	`num_oov_buckets` — отрицательное целое число.
`ValueError`	`num_oov_buckets` и `default_value` оба указаны.
`ValueError`	если `dtype` не является целым числом или строкой.

© 2020 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 3.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r2.4/api_docs/python/tf/feature_column/categorical_column_with_vocabulary_list