► Keras 3 API 文档 / 层 API / 预处理层 / 类别特征预处理层 / StringLookup 层

StringLookup 层

[源码]

StringLookup 类

keras.layers.StringLookup(
    max_tokens=None,
    num_oov_indices=1,
    mask_token=None,
    oov_token="[UNK]",
    vocabulary=None,
    idf_weights=None,
    invert=False,
    output_mode="int",
    pad_to_max_tokens=False,
    sparse=False,
    encoding="utf-8",
    name=None,
    **kwargs
)

一个预处理层，将字符串映射到（可能编码的）索引。

此层通过基于表格的词汇查找将一组任意字符串转换为整数输出。此层不会对输入字符串执行拆分或转换。对于可以拆分和标记自然语言的层，请参阅 keras.layers.TextVectorization 层。

该层的词汇表必须在构造时提供或通过 adapt() 学习。在 adapt() 期间，该层将分析数据集，确定各个字符串标记的频率，并从中创建词汇表。如果词汇表的大小受到限制，则将使用最频繁的标记来创建词汇表，所有其他标记将被视为词汇表外 (OOV)。

该层有两种可能的输出模式。当 output_mode 为 "int" 时，输入字符串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，输入字符串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和一个 OOV 标记（可以选择在词汇表中占据多个索引，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，词汇表将以掩码标记（如果设置）开始，然后是 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。它不能用作除 TensorFlow 之外的任何后端模型的编译计算图的一部分。但是，它可以在急切模式运行时与任何后端一起使用。它也可以始终用作任何后端的输入预处理管道的一部分（在模型本身之外），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（与你使用的后端无关）。

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 OOV 输入将被调整以确定其 OOV 值。如果此值为 0，则调用层时 OOV 输入将导致错误。默认为 1。
  • mask_token：表示掩码输入的标记。当 output_mode 为 "int" 时，该标记将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：仅当 invert 为 True 时使用。为 OOV 索引返回的标记。默认为 "[UNK]"。
  • 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，则该文件应包含每个词汇表项一行。如果设置了此参数，则无需 adapt() 该层。
  • vocabulary_dtype：词汇表项的数据类型，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，包含浮点逆文档频率权重，该权重将乘以每个样本的词项计数，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，则此层会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：该层输出的规范。值可以是 "int"、"one_hot"、"multi_hot"、"count" 或 "tf_idf"，配置层如下
    • "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为一个与词汇表大小相同的数组，在该元素索引处包含 1。如果最后一个维度的大小为 1，则将在该维度上进行编码。如果最后一个维度的大小不是 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为一个与词汇表大小相同的数组，其中包含样本中存在的每个词汇表项的 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 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" 类似，但应用 TF-IDF 算法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，目前仅支持最高 2 级的输出。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小于 max_tokens，输出的特征轴也会填充到 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。仅支持 TensorFlow 后端。如果为 True，则返回 SparseTensor 而不是密集 Tensor。默认为 False。
  • encoding：可选。用于解释输入字符串的文本编码。默认为 "utf-8"。

示例

创建具有已知词汇表的查找层

此示例创建一个具有预先存在的词汇表的查找层。

>>> vocab = ["a", "b", "c", "d"]
>>> data = [["a", "c", "d"], ["d", "z", "b"]]
>>> layer = StringLookup(vocabulary=vocab)
>>> layer(data)
array([[1, 3, 4],
       [4, 0, 2]])

创建具有调整后的词汇表的查找层

此示例创建一个查找层，并通过分析数据集生成词汇表。

>>> data = [["a", "c", "d"], ["d", "z", "b"]]
>>> layer = StringLookup()
>>> layer.adapt(data)
>>> layer.get_vocabulary()
['[UNK]', 'd', 'z', 'c', 'b', 'a']

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

>>> data = [["a", "c", "d"], ["d", "z", "b"]]
>>> layer = StringLookup()
>>> layer.adapt(data)
>>> layer(data)
array([[5, 3, 1],
       [1, 2, 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。当创建的层具有多个 OOV 索引时，任何 OOV 值都会被哈希到 OOV 存储桶的数量中，以确定性的方式将 OOV 值分布到整个集合中。

>>> vocab = ["a", "b", "c", "d"]
>>> data = [["a", "c", "d"], ["m", "z", "b"]]
>>> layer = StringLookup(vocabulary=vocab, num_oov_indices=2)
>>> layer(data)
array([[2, 4, 5],
       [0, 1, 3]])

请注意，OOV 值“m”的输出为 0，而 OOV 值 "z" 的输出为 1。为了给额外的 OOV 值腾出空间，词汇表内的词项的输出索引比之前的示例增加了 1（a 映射到 2，等等）。

独热输出

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 = ["a", "b", "c", "d"]
>>> data = ["a", "b", "c", "d", "z"]
>>> layer = StringLookup(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=int64)

多热输出

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 值。

>>> vocab = ["a", "b", "c", "d"]
>>> data = [["a", "c", "d", "d"], ["d", "z", "b", "z"]]
>>> layer = StringLookup(vocabulary=vocab, output_mode='multi_hot')
>>> layer(data)
array([[0., 1., 0., 1., 1.],
       [1., 0., 1., 0., 1.]], dtype=int64)

标记计数输出

使用 output_mode='count' 配置层。与多热输出一样，输出中的前 num_oov_indices 维度表示 OOV 值。

>>> vocab = ["a", "b", "c", "d"]
>>> data = [["a", "c", "d", "d"], ["d", "z", "b", "z"]]
>>> layer = StringLookup(vocabulary=vocab, output_mode='count')
>>> layer(data)
array([[0., 1., 0., 1., 2.],
       [2., 0., 1., 0., 1.]], dtype=int64)

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 维表示 OOV 值。

每个 token bin 将输出 token_count * idf_weight，其中 idf 权重是每个 token 的逆文档频率权重。这些权重应与词汇表一起提供。请注意，OOV 值的 idf_weight 将默认为传入的所有 idf 权重的平均值。

>>> vocab = ["a", "b", "c", "d"]
>>> idf_weights = [0.25, 0.75, 0.6, 0.4]
>>> data = [["a", "c", "d", "d"], ["d", "z", "b", "z"]]
>>> layer = StringLookup(output_mode="tf_idf")
>>> layer.set_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 值的 idf 权重，您需要传递整个词汇表，包括前导的 oov token。

>>> vocab = ["[UNK]", "a", "b", "c", "d"]
>>> idf_weights = [0.9, 0.25, 0.75, 0.6, 0.4]
>>> data = [["a", "c", "d", "d"], ["d", "z", "b", "z"]]
>>> layer = StringLookup(output_mode="tf_idf")
>>> layer.set_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)

当在 "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 token 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字符串。（您也可以使用 adapt() 和 inverse=True，但为了简单起见，我们在此示例中直接传递词汇表。）

>>> vocab = ["a", "b", "c", "d"]
>>> data = [[1, 3, 4], [4, 0, 2]]
>>> layer = StringLookup(vocabulary=vocab, invert=True)
>>> layer(data)
array([[b'a', b'c', b'd'],
       [b'd', b'[UNK]', b'b']], dtype=object)

请注意，默认情况下，第一个索引对应于 oov token。

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来创建反向查找层。

>>> vocab = ["a", "b", "c", "d"]
>>> data = [["a", "c", "d"], ["d", "z", "b"]]
>>> layer = StringLookup(vocabulary=vocab)
>>> i_layer = StringLookup(vocabulary=vocab, invert=True)
>>> int_data = layer(data)
>>> i_layer(int_data)
array([[b'a', b'c', b'd'],
       [b'd', b'[UNK]', b'b']], dtype=object)

在此示例中，输入值 "z" 的输出为 "[UNK]"，因为 1000 不在词汇表中 - 它被表示为一个 OOV，并且所有 OOV 值在反向层中都返回为 "[UNK]"。此外，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() 设置正向层的词汇表。

StringLookup 层
StringLookup 类