tf.compat.v1.tpu.experimental.shared_embedding_columns

TPU версия tf.compat.v1.feature_column.shared_embedding_columns.

tf.compat.v1.tpu.experimental.shared_embedding_columns(
    categorical_columns,
    dimension,
    combiner='mean',
    initializer=None,
    shared_embedding_collection_name=None,
    max_sequence_lengths=None,
    learning_rate_fn=None,
    embedding_lookup_device=None,
    tensor_core_shape=None,
    use_safe_embedding_lookup=True
)

Обратите внимание, что интерфейс tf.tpu.experimental.shared_embedding_columns отличается от интерфейса tf.compat.v1.feature_column.shared_embedding_columns: 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.shared_embedding_columns`, когда необходимо использовать TPU для ускорения поиска вложения с помощью TPU вложений.

column_a = tf.feature_column.categorical_column_with_identity(...)
column_b = tf.feature_column.categorical_column_with_identity(...)
tpu_columns = tf.tpu.experimental.shared_embedding_columns(
    [column_a, column_b], 10)
...
def model_fn(features):
  dense_feature = tf.keras.layers.DenseFeature(tpu_columns)
  embedded_feature = dense_feature(features)
  ...

estimator = tf.estimator.tpu.TPUEstimator(
    model_fn=model_fn,
    ...
    embedding_config_spec=tf.estimator.tpu.experimental.EmbeddingConfigSpec(
        column=tpu_columns,
        ...))

Аргументы
`categorical_columns`	Список категориальных столбцов, возвращаемых 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, используемая при инициализации переменной вложения. Если не указано, по умолчанию используется `tf.truncated_normal_initializer` со средним значением `0.0` и стандартным отклонением `1/sqrt(dimension)`.
`shared_embedding_collection_name`	Необязательное имя коллекции, в которую добавляются общие веса вложения. Если не указано, будет выбрано разумное имя на основе имен `categorical_columns`. Это также используется в `variable_scope` при создании общих весов вложения.
`max_sequence_lengths`	Список целых неотрицательных чисел, либо None, либо пустой, либо такой же длины, как и аргумент categorical_columns. Элементы, соответствующие столбцам, не являющимся последовательностями, должны быть 0, а элементы, соответствующие последовательным столбцам, указывают максимальную длину последовательности для столбца. Любая последовательность короче этого будет дополнена 0 вложениями, а любая последовательность длиннее будет усечена.
`learning_rate_fn`	Функция, которая принимает глобальный шаг и возвращает скорость обучения для таблицы вложения. Если вы планируете использовать одну и ту же скорость обучения для нескольких таблиц вложения, убедитесь, что вы передаете ровно ту же самую функцию Python во все вызовы shared_embedding_columns, в противном случае производительность может снизиться.
`embedding_lookup_device`	Устройство, на котором выполняется поиск вложения. Допустимые значения: "cpu", "tpu_tensor_core" и "tpu_embedding_core". Если указано "tpu_tensor_core", необходимо указать tensor_core_shape. По умолчанию "cpu". Если не указано, по умолчанию поиск вложения выполняется на "tpu_embedding_core" во время обучения и на "cpu" во время инференции. Допустимые значения для обучения: ["tpu_embedding_core", "tpu_tensor_core"]. Допустимые значения для сервиса: ["cpu", "tpu_tensor_core"]. Для обучения tpu_embedding_core подходит для больших словарей вложений (>1 млн), в противном случае tpu_tensor_core часто достаточно. Для сервиса выполнение поиска вложения на tpu_tensor_core во время сервиса — способ уменьшить использование ЦП хоста в тех случаях, когда это узкое место.
`tensor_core_shape`	Если указано, список целых чисел, который определяет предполагаемую плотную форму для выполнения поиска вложения для этого признака на TensorCore. Размерность пакета может быть None или -1 для указания динамической формы. 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 относится только к входным тензорам формы ранга 2 (NxM). По умолчанию True, рассмотрите возможность отключения, если вышеупомянутые проверки не нужны. Обратите внимание, что пустые строки не приведут к ошибке, хотя результат вывода может быть 0 или опущен.

Возвращаемое значение
Список `_TPUSharedEmbeddingColumnV2`.

Исключения
`ValueError`	если `dimension` не > 0.
`ValueError`	если `initializer` указан, но не является вызываемым.
`ValueError`	если `max_sequence_lengths` указан и его длина не совпадает с длиной `categorical_columns`.
`ValueError`	если `max_sequence_lengths` положительно для столбца, не являющегося последовательностью, или 0 для последовательного столбца.

© 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/shared_embedding_columns