feature_column相关接口

本文主要是介绍feature_column相关接口，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

在TensorFlow中，特征列(Feature column)是原始数据和 Estimator 之间的接口，它告诉Estimator如何使用数据。

原始数据集包含各种各样的特征，有的特征是数值，比如年龄，长度、速度；有的特征是文字，比如，地址、Email内容、数据库查询语句等

神经网络接受的输入，只能是数值，而且是整理好的数值

所以，原始数据和神经网络输入需求之间需要一个桥梁，这个桥梁就是特征列(Feature column)

使用特征列可以将类别特征转换为one-hot编码特征，将连续特征构建分桶特征，以及对多个特征生成交叉特征等等。
要创建特征列，请调用 tf.feature_column模块的函数。该模块中常用的九个函数如下图所示，所有九个函数都会返回一个 Categorical-Column或一个 Dense-Column对象，但却不会返回 bucketized_column，后者继承自这两个类。
注意：所有的Catogorical Column类型最终都要通过indicator_column转换成Dense Column类型才能传入DNN模型！

要创建特征列，需要调用 tf.feature_column 模块的函数。TensorFlow V1.8的特征列有八种，对应9个函数分别是：

1，数值列（tf.feature_column.numeric_column）

2，分桶列（tf.feature_column.bucketized_column）

3，分类标识列（tf.feature_column.categorical_column_with_identity）

4，分类词汇列（tf.feature_column.categorical_column_with_vocabulary_list 或者 tf.feature_column.categorical_column_with_vocabulary_file）

5，经过哈希处理的列（tf.feature_column.categorical_column_with_hash_bucket）

6，组合列（tf.feature_column.crossed_column）

7，指标列（tf.feature_column.indicator_column）

8，嵌入列（tf.feature_column.embedding_column）

将特征列传递给 Estimator的注意事项：

下面的列表所示，并非所有 Estimator 都支持所有类型的 feature_columns 参数：

1，LinearClassifier 和 LinearRegressor：接受所有类型的特征列。

2，DNNClassifier 和 DNNRegressor：只接受密集列。其他类型的列必须封装在 indicator_column 或 embedding_column 中。

3，DNNLinearCombinedClassifier 和 DNNLinearCombinedRegressor：

a). linear_feature_columns 参数接受任何特征列类型。

b). dnn_feature_columns 参数只接受密集列。

https://www.tensorflow.org/api_docs/python/tf/feature_column/sequence_categorical_column_with_vocabulary_file?hl=enhttps://www.tensorflow.org/api_docs/python/tf/feature_column/sequence_categorical_column_with_vocabulary_file?hl=en

categorical_column_with_vocabulary_list

import tensorflow as tfpets = {'pets': ['rabbit','pig','dog','mouse','cat']}  column = tf.feature_column.categorical_column_with_vocabulary_list(key='pets',vocabulary_list=['cat','dog','rabbit','pig'], dtype=tf.string, default_value=-1,num_oov_buckets=3)indicator = tf.feature_column.indicator_column(column)
tensor = tf.feature_column.input_layer(pets, [indicator])with tf.Session() as session:session.run(tf.global_variables_initializer())session.run(tf.tables_initializer())print(session.run([tensor]))

参考文献

这个文献写的特别好

tensorflow踩坑合集1. feature_column - 风雨中的小七 - 博客园踩坑内容包含以下 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_cohttps://www.cnblogs.com/gogoSandy/p/12435372.html学习TensorFlow中有关特征工程的API - 云+社区 - 腾讯云用TensorFlow框架搭建神经网络已经是大众所知的事情。今天我们来聊一聊如何用TensorFlow 对数据进行特征工程处理。https://cloud.tencent.com/developer/article/1467606

tf.feature_column的特征处理探究 - 知乎1. 背景 tf.estimator是tensorflow的一个高级API接口，它最大的特点在于兼容分布式和单机两种场景，工程师可以在同一套代码结构下即实现单机训练也可以实现分布式训练，正是因为这样的特点，目前包括阿里在内的很…https://zhuanlan.zhihu.com/p/73701872

tensorflow2.x学习笔记二十：特征列feature_column - 灰信网（软件开发博客聚合）https://www.freesion.com/article/2669486257/【1024 程序员节快乐】TensorFlow 特征工程: feature_column今天是1024程序员节，祝所有程序员美梦成真，永无Bug！\x0a\x0a在使用很多模型的时候，都需要对输入的数据进行必要的特征工程处理。最典型的就是：one-hot处理、hash分桶等处理。而tensorflow提供了一些列的特征工程方法来方便使用https://mp.weixin.qq.com/s/lYFRuw0V67QTbY5ytTCBaA