HashedCrossing 層
HashedCrossing 類別
tf_keras.layers.HashedCrossing(num_bins, output_mode="int", sparse=False, **kwargs)
一個使用「雜湊技巧」來交叉特徵的預處理層。
此層使用「雜湊技巧」來執行類別特徵的交叉。從概念上講，此轉換可以被認為是：hash(concatenate(features)) % num_bins。
此層目前僅執行純量輸入和純量輸入批次的交叉。有效的輸入形狀為 (batch_size, 1)、(batch_size,) 和 ()。
有關預處理層的概述和完整列表，請參閱預處理指南。
參數
- num_bins：雜湊桶的數量。
- output_mode：層輸出的規範。值可以是
"int"或"one_hot"，其配置如下："int"：直接返回整數桶索引。"one_hot"：將輸入中的每個元素編碼成一個與num_bins大小相同的陣列，該陣列在輸入的桶索引處包含 1。預設為"int"。
- sparse：布林值。僅適用於
"one_hot"模式。如果為True，則返回SparseTensor而不是密集Tensor。預設為False。 - **kwargs：建構層的關鍵字參數。
範例
交叉兩個純量特徵。
>>> layer = tf.keras.layers.HashedCrossing(
... num_bins=5)
>>> feat1 = tf.constant(['A', 'B', 'A', 'B', 'A'])
>>> feat2 = tf.constant([101, 101, 101, 102, 102])
>>> layer((feat1, feat2))
<tf.Tensor: shape=(5,), dtype=int64, numpy=array([1, 4, 1, 1, 3])>
交叉並對兩個純量特徵進行 one-hot 編碼。
>>> layer = tf.keras.layers.HashedCrossing(
... num_bins=5, output_mode='one_hot')
>>> feat1 = tf.constant(['A', 'B', 'A', 'B', 'A'])
>>> feat2 = tf.constant([101, 101, 101, 102, 102])
>>> layer((feat1, feat2))
<tf.Tensor: shape=(5, 5), dtype=float32, numpy=
array([[0., 1., 0., 0., 0.],
[0., 0., 0., 0., 1.],
[0., 1., 0., 0., 0.],
[0., 1., 0., 0., 0.],
[0., 0., 0., 1., 0.]], dtype=float32)>