HashedCrossing 类keras.layers.HashedCrossing(
num_bins, output_mode="int", sparse=False, name=None, dtype=None, **kwargs
)
使用“哈希技巧”交叉特征的预处理层。
该层使用“哈希技巧”对分类特征进行交叉。从概念上讲，该转换可以视为：hash(concatenate(features)) % num_bins。
此层目前仅执行标量输入和标量输入批次的交叉。有效的输入形状为 (batch_size, 1)、(batch_size,) 和 ()。
注意：此层封装了 tf.keras.layers.HashedCrossing。除了 TensorFlow 之外，它不能用作任何后端模型的已编译计算图的一部分。但是，在使用 eager 执行时，它可以与任何后端一起使用。它也可以始终用作任何后端（模型外部）的输入预处理管道的一部分，这是我们推荐使用此层的方式。
注意：此层可以在 tf.data 管道中使用（与您使用的后端无关）。
参数
"int" 或 "one_hot"，如下配置该层："int"：直接返回整数桶索引。"one_hot"：将输入中的每个单独元素编码为一个与 num_bins 大小相同的数组，其中包含输入所在桶索引位置的 1。默认为 "int"。"one_hot" 模式，并且仅在使用 TensorFlow 后端时有效。如果为 True，则返回 SparseTensor 而不是密集 Tensor。默认为 False。示例
交叉两个标量特征。
>>> layer = keras.layers.HashedCrossing(
... num_bins=5)
>>> feat1 = np.array(['A', 'B', 'A', 'B', 'A'])
>>> feat2 = np.array([101, 101, 101, 102, 102])
>>> layer((feat1, feat2))
array([1, 4, 1, 1, 3])
交叉并进行独热编码两个标量特征。
>>> layer = keras.layers.HashedCrossing(
... num_bins=5, output_mode='one_hot')
>>> feat1 = np.array(['A', 'B', 'A', 'B', 'A'])
>>> feat2 = np.array([101, 101, 101, 102, 102])
>>> layer((feat1, feat2))
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)