StringLookup 层

[源代码]

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
)

一个将字符串映射到（可能编码的）索引的预处理层。

该层通过基于表的词汇表查找，将一组任意字符串转换为整数输出。该层不会对输入字符串执行任何分割或转换。对于可以分割和分词自然语言的层，请参见 keras.layers.TextVectorization 层。

该层的词汇表必须在构建时提供或通过 adapt() 方法学习。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。如果词汇表的大小有限制，则将使用最常用的标记来创建词汇表，所有其他标记将被视为词汇表外 (OOV) 标记。

该层有两种可能的输出模式。当 output_mode 为 "int" 时，输入字符串被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 设置选择占用词汇表中的多个索引）。这些标记在词汇表中的位置是固定的。当 output_mode 为 "int" 时，词汇表将以掩码标记（如果设置）开始，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 索引开始，并且输入中的掩码标记实例将被丢弃。

注意：该层内部使用 TensorFlow。除了 TensorFlow 之外，它不能作为任何后端模型编译计算图的一部分使用。但是，在 Eager 执行模式下，它可以与任何后端一起使用。它也可以始终作为输入预处理管道的一部分与任何后端一起使用（在模型本身之外），这也是我们推荐使用此层的方式。

注意：该层可以安全地在 tf.data 管道内部使用（无论您使用哪种后端）。

参数

• max_tokens: 该层词汇表的最大大小。此参数仅在调整词汇表或设置 pad_to_max_tokens=True 时指定。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。
• num_oov_indices: 要使用的词汇表外标记 (OOV) 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 OOV 输入在调用该层时将导致错误。默认为 1。
• mask_token: 代表掩码输入的标记。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，并且输入中的掩码标记实例将被丢弃。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。用于返回 OOV 索引的标记。默认为 "[UNK]"。
• vocabulary: 可选参数。可以是整数数组或文本文件路径。如果传递数组，可以传递包含整数词汇表项的元组、列表、一维 NumPy 数组或一维张量。如果传递文件路径，文件应包含词汇表中每项的一行。如果设置了此参数，则无需对该层进行 adapt()。
• 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、一维 NumPy 数组或一维张量，其长度与词汇表相同，包含浮点数的逆文档频率 (IDF) 权重，这些权重将与每个样本的词项计数相乘，得到最终的 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，则该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。
• output_mode: 该层输出的规范。值可以是 "int"、"one_hot"、"multi_hot"、"count" 或 "tf_idf"，按如下方式配置该层
  • "int": 返回输入标记的词汇表索引。
  • "one_hot": 将输入中的每个独立元素编码为一个与词汇表大小相同的数组，并在元素索引处包含一个 1。如果最后一个维度的大小为 1，将在该维度上进行编码。如果最后一个维度的大小不为 1，将为编码输出附加一个新的维度。
  • "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，对样本中存在的每个词汇表项包含一个 1。将最后一个维度视为样本维度，如果输入形状为 (..., sample_length)，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，目前仅支持秩高达 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，从而无论词汇表大小如何，都会得到形状为 (batch_size, max_tokens) 的张量。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: 可选参数。用于解释输入字符串的文本编码。默认为 "utf-8"。

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]])

使用自适应词汇表创建查找层

此示例创建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（"d" 出现 2 次，排在第一位），然后按逆序排序。

>>> data = [["a", "c", "d"], ["d", "z", "b"]]
>>> layer = StringLookup()
>>> layer.adapt(data)
>>> layer(data)
array([[5, 3, 1],
       [1, 2, 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。当创建的层具有一个以上的 OOV 索引时，任何 OOV 值都将被哈希到 OOV 桶的数量中，从而以确定性方式在集合中分布 OOV 值。

>>> 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。词汇表中的词项的输出索引比前面的示例增加了 1（'a' 映射到 2 等），以便为额外的 OOV 值腾出空间。

One-hot 输出

使用 output_mode='one_hot' 配置该层。请注意，one-hot 编码中的前 num_oov_indices 个维度代表 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)

Multi-hot 输出

使用 output_mode='multi_hot' 配置该层。请注意，multi-hot 编码中的前 num_oov_indices 个维度代表 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' 配置该层。与 multi-hot 输出一样，输出中的前 num_oov_indices 个维度代表 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" 配置该层。与 multi-hot 输出一样，输出中的前 num_oov_indices 个维度代表 OOV 值。

每个标记桶将输出 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 值的 idf_weight 默认将为传入的所有 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，需要传递整个词汇表，包括开头的 OOV 标记。

>>> 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)

在 "tf_idf" 模式下自适应该层时，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))。

逆向查找

此示例演示如何使用该层将索引映射到字符串。（您也可以使用 inverse=True 的 adapt() 方法，但为了简单起见，在此示例中我们将直接传递词汇表。）

>>> 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，第一个索引默认对应于 OOV 标记。

正向和逆向查找对

此示例演示如何使用标准查找层的词汇表来创建逆向查找层。

>>> 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" 导致输出为 "[UNK]"，因为 1000 不在词汇表中 - 它被表示为 OOV，并且所有 OOV 值在逆向层中都返回为 "[UNK]"。另请注意，为了使逆向查找起作用，您必须在调用 get_vocabulary() 之前通过直接设置或通过 adapt() 方法已经设置了正向层的词汇表。