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
)
一个将整数映射到(可能编码的)索引的预处理层。
此层通过基于表的词汇表查找,将一组任意整数输入标记映射到带索引的整数输出。即使输入标记不连续或无界,该层的输出索引也会按词汇表最大大小连续排列。此层支持通过 output_mode
对输出进行编码的多种选项,并可选支持词汇表外 (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,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限,则最常见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,输入整数将转换为其在词汇表中的索引(一个整数)。当 output_mode
为 "multi_hot"
、"count"
或 "tf_idf"
时,输入整数将被编码为一个数组,其中每个维度对应于词汇表中的一个元素。
词汇表可以选择包含一个掩码标记以及一个 OOV 标记(可以根据 num_oov_indices
的设置,可选地在词汇表中占据多个索引)。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 处的掩码标记开头,后跟 OOV 索引,再后跟词汇表的其余部分。当 output_mode
为 "multi_hot"
、"count"
或 "tf_idf"
时,词汇表将以 OOV 索引开头,并且输入中的掩码标记实例将被丢弃。
注意:此层在内部使用 TensorFlow。在模型编译的计算图中,它不能与除 TensorFlow 以外的任何后端一起使用。但是,在急切执行模式下,它可以与任何后端一起使用。它也始终可以在任何后端作为输入预处理流水线的一部分使用(在模型本身之外),这也是我们推荐使用此层的方式。
注意:此层可在 tf.data
流水线中安全使用(无论您使用哪种后端)。
参数
pad_to_max_tokens=True
时应指定此参数。如果为 None,则词汇表大小没有上限。请注意,此大小包含 OOV 和掩码标记。默认为 None
。1
。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,该标记将不会出现在词汇表中,并且输入中的掩码标记实例将被丢弃。如果设置为 None,则不添加掩码项。默认为 None
。invert
为 True
时使用。对于 OOV 索引返回的标记。默认为 -1
。adapt()
。"int64"
或 "int32"
。默认为 "int64"
。output_mode
为 "tf_idf"
时有效。一个与词汇表长度相同的元组、列表、一维 NumPy 数组或一维张量,包含浮点逆文档频率权重,这些权重将乘以每个样本的词项计数,以计算最终的 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。output_mode
为 "int"
时有效。如果为 True
,此层将把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
。"int"
、"one_hot"
、"multi_hot"
、"count"
或 "tf_idf"
,配置如下:"int"
:返回输入标记在词汇表中的索引。"one_hot"
:将输入中的每个单独元素编码为一个与词汇表大小相同的数组,在元素索引处包含一个 1。如果最后一个维度的大小为 1,则在该维度上进行编码。如果最后一个维度的大小不为 1,则会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为一个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包含一个 1。如果输入形状为 (..., sample_length)
,则将最后一个维度视为样本维度,输出形状将为 (..., num_tokens)
。"count"
:与 "multi_hot"
类似,但整数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"
类似,但应用 TF-IDF 算法来找到每个标记槽中的值。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,目前仅支持最高秩为 2 的输出。默认为 "int"
。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
,输出的特征轴也会填充到 max_tokens
,从而无论词汇表大小如何,都得到形状为 (batch_size, max_tokens)
的张量。默认为 False
。"multi_hot"
、"count"
和 "tf_idf"
输出模式。仅支持 TensorFlow 后端。如果为 True
,则返回一个 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
此示例使用预先存在的词汇表创建了一个查找层。
>>> 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
此示例创建了一个查找层,并通过分析数据集生成了词汇表。
>>> data = np.array([[12, 1138, 42], [42, 1000, 36]])
>>> layer = IntegerLookup()
>>> layer.adapt(data)
>>> layer.get_vocabulary()
[-1, 42, 1138, 1000, 36, 12]
注意,OOV 标记 -1 已被添加到词汇表中。其余标记按频率排序(出现 2 次的 42排在首位),然后按逆序排序。
>>> data = np.array([[12, 1138, 42], [42, 1000, 36]])
>>> layer = IntegerLookup()
>>> layer.adapt(data)
>>> layer(data)
array([[5, 2, 1],
[1, 3, 4]])
使用多个 OOV 索引进行查找
此示例演示如何使用具有多个 OOV 索引的查找层。当使用多个 OOV 索引创建层时,任何 OOV 标记都会哈希到 OOV 桶的数量中,以确定性的方式将 OOV 标记分布在集合中。
>>> 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。为了给额外的 OOV 标记腾出空间,词汇表中的项的输出索引相对于之前的示例增加了 1(例如 12 映射到 2)。
One-hot 输出
使用 output_mode='one_hot'
配置层。请注意,one_hot 编码中的前 num_oov_indices
个维度表示 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)
Multi-hot 输出
使用 output_mode='multi_hot'
配置层。请注意,multi_hot 编码中的前 num_oov_indices
个维度表示 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 multi_hot 输出一样,输出中的前 num_oov_indices
个维度表示 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 multi_hot 输出一样,输出中的前 num_oov_indices
个维度表示 OOV 标记。
每个标记 bin 将输出 token_count * idf_weight
,其中 idf 权重是每个标记的逆文档频率权重。这些应与词汇表一起提供。请注意,OOV 标记的 idf_weight
将默认为所有传入 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,您需要传入完整的词汇表,包括开头的 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"
模式下自适应层时,每个输入样本将被视为一个文档,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。(您也可以使用 adapt()
并设置 inverse=True
,但为简单起见,在此示例中我们将直接传入词汇表。)
>>> 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。
前向查找和反向查找配对
此示例演示如何使用标准查找层的词汇表来创建一个反向查找层。
>>> 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 的输出为 -1,因为 1000 不在词汇表中——它被表示为 OOV,并且所有 OOV 标记在反向层中都返回 -1。此外,请注意,要使反向查找工作,您必须在调用 get_vocabulary()
之前,通过直接设置或通过 adapt()
设置了前向层的词汇表。