IntegerLookup 层

[源代码]

IntegerLookup 类

keras.layers.IntegerLookup(
    max_tokens=None,
    num_oov_indices=1,
    mask_token=None,
    oov_token=-1,
    vocabulary=None,
    vocabulary_dtype="int64",
    idf_weights=None,
    invert=False,
    output_mode="int",
    sparse=False,
    pad_to_max_tokens=False,
    name=None,
    **kwargs
)

一个预处理层，将整数映射到（可能已编码的）索引。

此层通过基于表格的词汇表查找，将一组任意整数输入标记映射到索引化的整数输出。即使输入标记是非连续的或无界的，该层的输出索引也将连续排列到最大词汇表大小。该层通过 output_mode 支持多种输出编码选项，并可选择支持词汇表外 (OOV) 标记和掩码。

该层的词汇表必须在构建时提供，或通过 adapt() 学习。在 adapt() 期间，该层将分析数据集，确定各个整数标记的频率，并从中创建词汇表。如果词汇表的大小受到限制，则最常用的标记将用于创建词汇表，所有其他标记将被视为 OOV。

该层有两种可能的输出模式。当 output_mode 为 "int" 时，输入整数将转换为它们在词汇表中的索引（一个整数）。当 output_mode 为 "multi_hot"、"count" 或 "tf_idf" 时，输入整数被编码成一个数组，其中每个维度对应于词汇表中的一个元素。

词汇表可以选择性地包含掩码标记以及 OOV 标记（OOV 标记可以选择性地占据词汇表中的多个索引，由 num_oov_indices 设置）。这些标记在词汇表中的位置是固定的。当 output_mode 为 "int" 时，词汇表将以索引 0 处的掩码标记开始，后跟 OOV 索引，然后是词汇表的其余部分。当 output_mode 为 "multi_hot"、"count" 或 "tf_idf" 时，词汇表将以 OOV 索引开始，并且掩码标记的实例将被删除。

注意： 此层在内部使用 TensorFlow。它不能用作使用 TensorFlow 以外的任何后端的模型的编译计算图的一部分。但是，在 eager 模式下运行时，它可以与任何后端一起使用。它也始终可以用作与任何后端（模型本身之外）的输入预处理管道的一部分，这是我们建议使用此层的方式。

注意： 此层可以安全地在 tf.data 管道中使用（与您使用的后端无关）。

参数

• max_tokens: 此层词汇表的最大大小。仅当调整词汇表或设置 pad_to_max_tokens=True 时才应指定此项。如果为 None，则词汇表的大小没有上限。请注意，此大小包括 OOV 和掩码标记。默认为 None。
• num_oov_indices: 要使用的词汇表外标记的数量。如果此值大于 1，则会调制 OOV 输入以确定其 OOV 值。如果此值为 0，则在调用该层时，OOV 输入将导致错误。默认为 1。
• mask_token: 表示掩码输入的整数标记。当 output_mode 为 "int" 时，该标记包含在词汇表中并映射到索引 0。在其他输出模式下，该标记不会出现在词汇表中，并且输入中掩码标记的实例将被删除。如果设置为 None，则不会添加掩码项。默认为 None。
• oov_token: 仅在 invert 为 True 时使用。为 OOV 索引返回的标记。默认为 -1。
• vocabulary: 可选。可以是整数数组或文本文件的字符串路径。如果传递数组，则可以传递包含整数词汇表项的元组、列表、1D NumPy 数组或 1D 张量。如果传递文件路径，则该文件应包含词汇表中每个术语一行。如果设置了此参数，则无需 adapt() 该层。
• vocabulary_dtype: 词汇表项的 dtype，例如 "int64" 或 "int32"。默认为 "int64"。
• idf_weights: 仅当 output_mode 为 "tf_idf" 时有效。一个元组、列表、1D NumPy 数组或 1D 张量，其长度与词汇表相同，包含浮点倒排文档频率权重，该权重将乘以每个样本的术语计数以获得最终的 TF-IDF 权重。如果设置了 vocabulary 参数，并且 output_mode 为 "tf_idf"，则必须提供此参数。
• invert: 仅当 output_mode 为 "int" 时有效。如果为 True，则此层将索引映射到词汇表项，而不是将词汇表项映射到索引。默认为 False。
• output_mode: 层输出的规范。值可以是 "int"、"one_hot"、"multi_hot"、"count" 或 "tf_idf"，用于按如下方式配置层
  • "int": 返回输入标记的词汇表索引。
  • "one_hot": 将输入中的每个单独元素编码成与词汇表大小相同的数组，在元素索引处包含 1。如果最后一个维度大小为 1，则将在该维度上进行编码。如果最后一个维度大小不为 1，则将为编码输出附加一个新维度。
  • "multi_hot": 将输入中的每个样本编码成与词汇表大小相同的单个数组，对于样本中存在的每个词汇表项，该数组包含 1。将最后一个维度视为样本维度，如果输入形状为 (..., sample_length)，则输出形状将为 (..., num_tokens)。
  • "count": 与 "multi_hot" 相同，但 int 数组包含该索引处的标记在样本中出现的次数计数。
  • "tf_idf": 与 "multi_hot" 相同，但应用 TF-IDF 算法来查找每个标记槽中的值。对于 "int" 输出，支持任何形状的输入和输出。对于所有其他输出模式，目前仅支持高达秩 2 的输出。默认为 "int"。
• pad_to_max_tokens: 仅当 output_mode 为 "multi_hot"、"count" 或 "tf_idf" 时适用。如果为 True，即使词汇表中唯一标记的数量少于 max_tokens，输出的特征轴也将填充到 max_tokens，从而生成形状为 (batch_size, max_tokens) 的张量，而与词汇表大小无关。默认为 False。
• sparse: 布尔值。仅适用于 "multi_hot"、"count" 和 "tf_idf" 输出模式。仅在使用 TensorFlow 后端时受支持。如果为 True，则返回 SparseTensor 而不是密集 Tensor。默认为 False。

示例

使用已知词汇表创建查找层

此示例创建一个具有预先存在的词汇表的查找层。

>>> vocab = [12, 36, 1138, 42]
>>> data = np.array([[12, 1138, 42], [42, 1000, 36]])  # Note OOV tokens
>>> layer = IntegerLookup(vocabulary=vocab)
>>> layer(data)
array([[1, 3, 4],
       [4, 0, 2]])

使用自适应词汇表创建查找层

此示例创建一个查找层，并通过分析数据集生成词汇表。

>>> data = np.array([[12, 1138, 42], [42, 1000, 36]])
>>> layer = IntegerLookup()
>>> layer.adapt(data)
>>> layer.get_vocabulary()
[-1, 42, 1138, 1000, 36, 12]

请注意，OOV 标记 -1 已添加到词汇表中。其余标记按频率排序（出现 2 次的 42 排在第一位），然后按反向排序顺序排序。

>>> data = np.array([[12, 1138, 42], [42, 1000, 36]])
>>> layer = IntegerLookup()
>>> layer.adapt(data)
>>> layer(data)
array([[5, 2, 1],
       [1, 3, 4]])

具有多个 OOV 索引的查找

此示例演示如何使用具有多个 OOV 索引的查找层。当创建具有多个 OOV 索引的层时，任何 OOV 标记都会被哈希到 OOV 桶的数量中，以确定性方式跨集合分布 OOV 标记。

>>> vocab = [12, 36, 1138, 42]
>>> data = np.array([[12, 1138, 42], [37, 1000, 36]])
>>> layer = IntegerLookup(vocabulary=vocab, num_oov_indices=2)
>>> layer(data)
array([[2, 4, 5],
       [1, 0, 3]])

请注意，OOV 标记 37 的输出为 1，而 OOV 标记 1000 的输出为 0。词汇表内术语的输出索引从之前的示例（12 映射到 2 等）增加了 1，以便为额外的 OOV 标记腾出空间。

独热编码输出

使用 output_mode='one_hot' 配置层。请注意，独热编码中的前 num_oov_indices 维度表示 OOV 值。

>>> vocab = [12, 36, 1138, 42]
>>> data = np.array([12, 36, 1138, 42, 7])  # Note OOV tokens
>>> layer = IntegerLookup(vocabulary=vocab, output_mode='one_hot')
>>> layer(data)
array([[0., 1., 0., 0., 0.],
        [0., 0., 1., 0., 0.],
        [0., 0., 0., 1., 0.],
        [0., 0., 0., 0., 1.],
        [1., 0., 0., 0., 0.]], dtype=float32)

多热编码输出

使用 output_mode='multi_hot' 配置层。请注意，多热编码中的前 num_oov_indices 维度表示 OOV 标记

>>> vocab = [12, 36, 1138, 42]
>>> data = np.array([[12, 1138, 42, 42],
...                  [42,    7, 36,  7]])  # Note OOV tokens
>>> layer = IntegerLookup(vocabulary=vocab, output_mode='multi_hot')
>>> layer(data)
array([[0., 1., 0., 1., 1.],
       [1., 0., 1., 0., 1.]], dtype=float32)

标记计数输出

使用 output_mode='count' 配置层。与多热编码输出一样，输出中的前 num_oov_indices 维度表示 OOV 标记。

>>> vocab = [12, 36, 1138, 42]
>>> data = np.array([[12, 1138, 42, 42],
...                  [42,    7, 36,  7]])  # Note OOV tokens
>>> layer = IntegerLookup(vocabulary=vocab, output_mode='count')
>>> layer(data)
array([[0., 1., 0., 1., 2.],
       [2., 0., 1., 0., 1.]], dtype=float32)

TF-IDF 输出

使用 output_mode='tf_idf' 配置层。与多热编码输出一样，输出中的前 num_oov_indices 维度表示 OOV 标记。

每个标记桶将输出 token_count * idf_weight，其中 idf 权重是每个标记的倒排文档频率权重。这些应与词汇表一起提供。请注意，OOV 标记的 idf_weight 将默认为传入的所有 idf 权重的平均值。

>>> vocab = [12, 36, 1138, 42]
>>> idf_weights = [0.25, 0.75, 0.6, 0.4]
>>> data = np.array([[12, 1138, 42, 42],
...                  [42,    7, 36,  7]])  # Note OOV tokens
>>> layer = IntegerLookup(
...     output_mode='tf_idf', vocabulary=vocab, idf_weights=idf_weights)
>>> layer(data)
array([[0.  , 0.25, 0.  , 0.6 , 0.8 ],
        [1.0 , 0.  , 0.75, 0.  , 0.4 ]], dtype=float32)

要指定 oov 标记的 idf 权重，您需要传递整个词汇表，包括前导 oov 标记。

>>> vocab = [-1, 12, 36, 1138, 42]
>>> idf_weights = [0.9, 0.25, 0.75, 0.6, 0.4]
>>> data = np.array([[12, 1138, 42, 42],
...                  [42,    7, 36,  7]])  # Note OOV tokens
>>> layer = IntegerLookup(
...     output_mode='tf_idf', vocabulary=vocab, idf_weights=idf_weights)
>>> layer(data)
array([[0.  , 0.25, 0.  , 0.6 , 0.8 ],
        [1.8 , 0.  , 0.75, 0.  , 0.4 ]], dtype=float32)

在 "tf_idf" 模式下调整层时，每个输入样本将被视为一个文档，并且每个标记的 IDF 权重将计算为：log(1 + num_documents / (1 + token_document_count))。

反向查找

此示例演示如何使用此层将索引映射到标记。（您也可以将 adapt() 与 inverse=True 一起使用，但为简单起见，我们在此示例中传递词汇表。）

>>> vocab = [12, 36, 1138, 42]
>>> data = np.array([[1, 3, 4], [4, 0, 2]])
>>> layer = IntegerLookup(vocabulary=vocab, invert=True)
>>> layer(data)
array([[  12, 1138,   42],
       [  42,   -1,   36]])

请注意，默认情况下，第一个索引对应于 oov 标记。

正向和反向查找对

此示例演示如何使用标准查找层的词汇表创建反向查找层。

>>> vocab = [12, 36, 1138, 42]
>>> data = np.array([[12, 1138, 42], [42, 1000, 36]])
>>> layer = IntegerLookup(vocabulary=vocab)
>>> i_layer = IntegerLookup(
...     vocabulary=layer.get_vocabulary(), invert=True)
>>> int_data = layer(data)
>>> i_layer(int_data)
array([[  12, 1138,   42],
       [  42,   -1,   36]])

在此示例中，输入标记 1000 导致输出为 -1，因为 1000 不在词汇表中 - 它被表示为 OOV，并且所有 OOV 标记在反向层中都作为 -1 返回。另请注意，为了使反向查找工作，您必须在调用 get_vocabulary() 之前直接或通过 adapt() 设置正向层词汇表。