Hashing 层

[源代码]

Hashing 类

keras.layers.Hashing(
    num_bins, mask_value=None, salt=None, output_mode="int", sparse=False, **kwargs
)

一个将类别特征进行哈希并分箱的预处理层。

此层将类别输入转换为哈希输出。它逐元素地将整数或字符串转换为固定范围内的整数。稳定的哈希函数使用 tensorflow::ops::Fingerprint 来在所有平台上生成一致的输出。

此层默认使用 FarmHash64，它能在不同平台间提供一致的哈希输出，并且调用之间稳定，无论设备和上下文如何，都能通过充分混合输入位来实现。

如果您想混淆哈希输出，还可以在构造函数中传入一个随机的 salt 参数。在这种情况下，该层将使用 SipHash64 哈希函数，并将 salt 值作为哈希函数的附加输入。

注意：此层内部使用 TensorFlow。它不能作为带有 TensorFlow 以外的任何后端模型的已编译计算图的一部分。但是，它可以在急切执行时与任何后端一起使用。它也可以始终作为输入预处理管道（模型外部）的一部分使用，这是我们推荐的使用此层的方式。

注意：此层可以在 tf.data 管道中使用（与您使用的后端无关）。

示例（FarmHash64）

>>> layer = keras.layers.Hashing(num_bins=3)
>>> inp = [['A'], ['B'], ['C'], ['D'], ['E']]
>>> layer(inp)
array([[1],
        [0],
        [1],
        [1],
        [2]])>

示例（FarmHash64）带掩码值

>>> layer = keras.layers.Hashing(num_bins=3, mask_value='')
>>> inp = [['A'], ['B'], [''], ['C'], ['D']]
>>> layer(inp)
array([[1],
        [1],
        [0],
        [2],
        [2]])

示例（SipHash64）

>>> layer = keras.layers.Hashing(num_bins=3, salt=[133, 137])
>>> inp = [['A'], ['B'], ['C'], ['D'], ['E']]
>>> layer(inp)
array([[1],
        [2],
        [1],
        [0],
        [2]])

示例（Siphash64 带单个整数，与 salt=[133, 133] 相同）

>>> layer = keras.layers.Hashing(num_bins=3, salt=133)
>>> inp = [['A'], ['B'], ['C'], ['D'], ['E']]
>>> layer(inp)
array([[0],
        [0],
        [2],
        [1],
        [0]])

参数

• num_bins: 哈希分箱的数量。请注意，这包括 mask_value 分箱，因此如果设置了 mask_value，有效分箱数量为 (num_bins - 1)。
• mask_value: 表示被屏蔽输入的数值，会被映射到索引 0。None 表示不添加掩码项，哈希将从索引 0 开始。默认为 None。
• salt: 一个无符号整数或 None。如果传入，使用的哈希函数将是 SipHash64，这些值将用作附加输入（在密码学中称为“salt”）。这些值应为非零。如果为 None，则使用 FarmHash64 哈希函数。它还支持 2 个无符号整数的元组/列表，具体请参阅参考文献。默认为 None。
• output_mode：层输出的规范。值可以是 "int"、"one_hot"、"multi_hot" 或 "count"，配置层如下：
  • "int"：直接返回整数桶索引。
  • "one_hot"：将输入中的每个独立元素编码为一个与 num_bins 大小相同的数组，其中在输入的分桶索引处有一个 1。如果最后一个维度的大小为 1，则在该维度上进行编码。如果最后一个维度不为 1，则会附加一个新维度用于编码输出。
  • "multi_hot"：将输入中的每个样本编码为一个大小与 num_bins 相同的数组，其中对于样本中存在的每个分桶索引都包含一个 1。将最后一个维度视为样本维度，如果输入形状为 (..., sample_length)，则输出形状为 (..., num_tokens)。
  • "count"：与 "multi_hot" 类似，但整数数组包含分箱索引在样本中出现的次数计数。默认为 "int"。
• sparse: 布尔值。仅适用于 "one_hot"、"multi_hot" 和 "count" 输出模式。仅受 TensorFlow 后端支持。如果为 True，则返回 SparseTensor 而不是密集 Tensor。默认为 False。
• **kwargs：用于构造层的关键字参数。

输入形状

单个字符串、字符串列表或形状为 (batch_size, ...,) 的 int32 或 int64 张量。

输出形状

形状为 (batch_size, ...) 的 int32 张量。

参考

• 带 salt 的 SipHash