tf.compat.v1.tpu.experimental.embedding_column

TPU-версия tf.compat.v1.feature_column.embedding_column.

tf.compat.v1.tpu.experimental.embedding_column(
    categorical_column,
    dimension,
    combiner='mean',
    initializer=None,
    max_sequence_length=0,
    learning_rate_fn=None,
    embedding_lookup_device=None,
    tensor_core_shape=None,
    use_safe_embedding_lookup=True
)

Обратите внимание, что интерфейс tf.tpu.experimental.embedding_column отличается от интерфейса tf.compat.v1.feature_column.embedding_column: следующие аргументы НЕ поддерживаются: ckpt_to_load_from, tensor_name_in_ckpt, max_norm и trainable.

Используйте эту функцию вместо tf.compat.v1.feature_column.embedding_column, когда вы хотите ускорить поиск по вложениям с помощью TPU с помощью TPU-вложений.

column = tf.feature_column.categorical_column_with_identity(...)
tpu_column = tf.tpu.experimental.embedding_column(column, 10)
...
def model_fn(features):
  dense_feature = tf.keras.layers.DenseFeature(tpu_column)
  embedded_feature = dense_feature(features)
  ...

estimator = tf.estimator.tpu.TPUEstimator(
    model_fn=model_fn,
    ...
    embedding_config_spec=tf.estimator.tpu.experimental.EmbeddingConfigSpec(
      column=[tpu_column],
      ...))

Аргументы
`categorical_column`	Категориальный столбец, возвращаемый из `categorical_column_with_identity`, `weighted_categorical_column`, `categorical_column_with_vocabulary_file`, `categorical_column_with_vocabulary_list`, `sequence_categorical_column_with_identity`, `sequence_categorical_column_with_vocabulary_file`, `sequence_categorical_column_with_vocabulary_list`
`dimension`	Целое число, определяющее размер вложения, должно быть > 0.
`combiner`	Строка, определяющая способ уменьшения, если в одной строке есть несколько записей для столбца, не являющегося последовательностью. Для получения дополнительной информации см. `tf.feature_column.embedding_column`.
`initializer`	Функция инициализации переменной, которая будет использоваться при инициализации переменной вложения. Если не указано, по умолчанию используется `tf.compat.v1.truncated_normal_initializer` со средним значением `0.0` и стандартным отклонением `1/sqrt(dimension)`.
`max_sequence_length`	Целое неотрицательное число, определяющее максимальную длину последовательности. Любая последовательность, короче этой, будет дополнена 0-вложениями, а любая последовательность, длиннее, будет усечена. Это должно быть положительным для последовательных признаков и 0 для признаков, не являющихся последовательностями.
`learning_rate_fn`	Функция, которая принимает глобальный шаг и возвращает скорость обучения для таблицы вложений. Если вы планируете использовать одну и ту же скорость обучения для нескольких таблиц вложений, убедитесь, что вы передаете точно ту же самую функцию Python во все вызовы embedding_column, в противном случае производительность может пострадать.
`embedding_lookup_device`	Устройство, на котором нужно выполнить поиск по вложениям. Допустимые значения: "cpu", "tpu_tensor_core" и "tpu_embedding_core". Если указано "tpu_tensor_core", необходимо указать tensor_core_shape. Если не указано, по умолчанию используется поиск по вложениям на "tpu_embedding_core" для обучения и на "cpu" для инференса. Допустимые значения для обучения: ["tpu_embedding_core", "tpu_tensor_core"]. Допустимые значения для отработки запросов: ["cpu", "tpu_tensor_core"]. Для обучения tpu_embedding_core подходит для больших словарей вложений (>1М), в противном случае часто достаточно tpu_tensor_core. Для отработки запросов поиск по вложениям на tpu_tensor_core во время отработки запросов — способ уменьшить использование процессора хоста в тех случаях, когда это является узким местом.
`tensor_core_shape`	Если указано, список целых чисел, который определяет предполагаемую плотную форму для выполнения поиска по вложениям для этого признака на TensorCore. Измерение пакетной обработки можно оставить равным None или -1, чтобы указать динамическую форму. В настоящее время поддерживаются только формы ранга 2.
`use_safe_embedding_lookup`	Если True, используется safe_embedding_lookup_sparse вместо embedding_lookup_sparse. safe_embedding_lookup_sparse гарантирует отсутствие пустых строк и всех положительных значений весов и идентификаторов за счет дополнительных вычислительных затрат. Это применяется только к тензорам входных данных ранга 2 (NxM). По умолчанию значение равно true, рассмотрите возможность отключения, если вышеупомянутые проверки не требуются. Обратите внимание, что наличие пустых строк не вызовет ошибки, хотя результат вывода может быть 0 или пропущен.

Возвращаемое значение
A `_TPUEmbeddingColumnV2`.

Возбуждаемые исключения
`ValueError`	если `dimension` не > 0.
`ValueError`	если `initializer` указан, но не является вызываемой функцией.

© 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/tpu/experimental/embedding_column