tf.compat.v1.nn.safe_embedding_lookup_sparse

Поиск результатов вложения, учитывая недействительные идентификаторы и пустые характеристики.

tf.compat.v1.nn.safe_embedding_lookup_sparse(
    embedding_weights,
    sparse_ids,
    sparse_weights=None,
    combiner='mean',
    default_id=None,
    name=None,
    partition_strategy='div',
    max_norm=None
)

Разделенное вложение в embedding_weights должно иметь одинаковую форму, за исключением первого измерения. Первое измерение разрешается варьироваться, так как размер словаря не обязательно является кратным P. embedding_weights может быть PartitionedVariable, как возвращается при использовании tf.compat.v1.get_variable() с разделителем.

Недействительные идентификаторы (< 0) удаляются из входных идентификаторов и весов, а также любые идентификаторы с весом, не являющимся положительным. Для записи без характеристик возвращается вектор вложения для default_id, или нулевой вектор, если default_id не указан.

Идентификаторы и веса могут быть многомерными. Вложения всегда агрегируются по последнему измерению.

Аргументы
`embedding_weights`	Единственный тензор, представляющий полный тензор вложения, или список тензоров, все с одинаковой формой, за исключением первого измерения, представляющие фрагментированные тензоры вложения. В качестве альтернативы, `PartitionedVariable`, созданный путем разбиения по размеру 0. Каждый элемент должен иметь соответствующий размер для данного `partition_strategy`.
`sparse_ids`	`SparseTensor` формы `[d_0, d_1, ..., d_n]`, содержащий идентификаторы. `d_0` обычно равен размеру пакет.
`sparse_weights`	`SparseTensor` той же формы, что и `sparse_ids`, содержащий плавающие веса, соответствующие `sparse_ids`, или `None`, если все веса должны быть равны 1,0.
`combiner`	Строка, определяющая, как комбинировать результаты вложения для каждой записи. В настоящее время поддерживаются "mean", "sqrtn" и "sum", по умолчанию используется "mean".
`default_id`	Идентификатор, который следует использовать для записи без характеристик.
`name`	Имя для этой операции (необязательно).
`partition_strategy`	Строка, определяющая стратегию разбиения. В настоящее время поддерживаются `"div"` и `"mod"`. По умолчанию `"div"`.
`max_norm`	Если не `None`, все вложения l2-нормализуются до max_norm перед объединением.

Возвращаемое значение

Возвращаемое значение
Плотный тензор, представляющий объединенные вложения для разреженных идентификаторов. Для каждой строки в плотном тензоре, представленном `sp_ids`, операция ищет вложения для всех идентификаторов в этой строке, умножает их на соответствующий вес и объединяет эти вложения, как указано. Другими словами, если `shape(combined embedding_weights) = [p0, p1, ..., pm]` и `shape(sparse_ids) = shape(sparse_weights) = [d0, d1, ..., dn]` тогда `shape(output) = [d0, d1, ... dn-1, p1, ..., pm]`. Например, если params — матрица 10x20, а sp_ids / sp_weights — [0, 0]: id 1, weight 2.0 [0, 1]: id 3, weight 0.5 [1, 0]: id -1, weight 1.0 [2, 3]: id 1, weight 3.0 `default_id` равно 0. с `combiner`="mean", то выход будет матрицей 3x20, где output[0, :] = (params[1, :] * 2.0 + params[3, :] * 0.5) / (2.0 + 0.5) output[1, :] = (params[0, :] * 1.0) / 1.0 output[2, :] = (params[1, :] * 3.0) / 3.0

Плотный тензор, представляющий объединенные вложения для разреженных идентификаторов. Для каждой строки в плотном тензоре, представленном sp_ids, операция ищет вложения для всех идентификаторов в этой строке, умножает их на соответствующий вес и объединяет эти вложения, как указано.

Другими словами, если

shape(combined embedding_weights) = [p0, p1, ..., pm]

shape(sparse_ids) = shape(sparse_weights) = [d0, d1, ..., dn]

тогда

shape(output) = [d0, d1, ... dn-1, p1, ..., pm].

Например, если params — матрица 10x20, а sp_ids / sp_weights —

[0, 0]: id 1, weight 2.0
[0, 1]: id 3, weight 0.5
[1, 0]: id -1, weight 1.0
[2, 3]: id 1, weight 3.0

default_id равно 0.

с combiner="mean", то выход будет матрицей 3x20, где

output[0, :] = (params[1, :] * 2.0 + params[3, :] * 0.5) / (2.0 + 0.5)
output[1, :] = (params[0, :] * 1.0) / 1.0
output[2, :] = (params[1, :] * 3.0) / 3.0

Исключения
`ValueError`	если `embedding_weights` пусто.

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r2.9/api_docs/python/tf/compat/v1/nn/safe_embedding_lookup_sparse