踩坑内容包含以下
- feature_column的输入输出类型，用一个数据集给出demo
- feature_column接estimator
- feature_column接Keras
feature_column 输入输出类型
输入输出类型
feature_column输入可以是原始特征的列名,或者是feature_column。初上手感觉feature_column设计的有点奇怪，不过熟悉了逻辑后用起来还是很方便的。几个需要习惯一下的点：
- 深度模型的输入必须是Dense类型，所有输出是categorical类型需要经过indicator或者embedding的转换才可以
- indicator, embedding, bucketized的输入不能是原始特征，前两者只能是categorical类型的feature_column, 后者只能是numeric_column
| feature_column | 输入 | 输出 | 输出是否为dense |
|---|---|---|---|
| categorical_column_with_identity | 数值型离散 | categorical | N |
| categorical_column_with_vocabulary_list | 字符型/数值型离散 | categorical | N |
| categorical_column_with_hash_bucket | 类别太多的离散值 | categorical | N |
| crossed_column | categorical/离散值 | categorical | N |
| indicator_column | categorical | one/multi-hot | Y |
| embedding_column | categorical | dense vector | Y |
| numeric_column | 数值型连续值 | numeric | Y |
| bucketzied_column | numeric_column | one-hot | Y |
以下给出各种特征工程的demo，原始特征如下
输入-连续值
输入-离散值
输入-categorical
feature_column接estimator
如果是使用预定义的estimator, feature_column可以直接作为输入，不需要任何额外操作，只需要注意深度模型只支持Dense类型的feature_column即可。
如果是自定义estimator，则需要多一步用feature_column先创建input_layer
input_layer = tf.feature_column.input_layer(features, feature_columns)feature_column接keras
为什么要这么搭配呢，好像是没啥必要，只不过进一步证明tf的官方文档确实坑而已。。。
def model_fn():
#define Keras input
input = {}
for f in FEATURE_NAME:
input[f] = Input(shape=(1,), name = f, dtype = DTYPE[f])
#generate feature_columns
feature_columns = build_features()
#Define transformation from feature_columns to Dense Tensor
feature_layer = tf.keras.layers.DenseFeatures( feature_columns )
#Transform input
dense_feature = feature_layer(input)
output = Dense(1, activation='sigmoid')(dense_feature)
#feed input placeholder as list
model = Model(inputs = [i for i in input.values()], outputs = output)
return model
内容来源于网络如有侵权请私信删除
文章来源: 博客园
- 还没有人评论，欢迎说说您的想法！
客服
