tf.nn.embedding_lookup ( tensor, id )

作用：選取一個(gè)張量里面索引對(duì)應(yīng)的元素
應(yīng)用場(chǎng)景：單值離散特征的 embedding，相當(dāng)于 one-hot 編碼

用戶(hù)\水果蘋(píng)果香蕉草莓芒果西瓜木瓜火龍果

user1	1	0	0	0	0	0	0
user2	0	0	0	1	0	0	0
user3	0	0	0	0	0	0	1

import tensorflow as tf import numpy as npp = tf.Variable(np.arange(21).reshape(7,3)) u = tf.nn.embedding_lookup(p, ids=[0, 3, 6]) with tf.Session() as s:s.run(tf.global_variables_initializer())print(s.run(t))# [[ 0 1 2] --- p # [ 3 4 5] # [ 6 7 8] # [ 9 10 11] # [12 13 14] # [15 16 17] # [18 19 20]]# [[ 0 1 2] ---user1 # [ 9 10 11] ---user2 # [18 19 20]] ---user3

tf.nn.embedding_lookup_sparse(params, sp_ids)

作用：選取一個(gè)張量里面多個(gè)索引對(duì)應(yīng)的元素的平均值
應(yīng)用場(chǎng)景：多值離散特征的 embedding，相當(dāng)于多次 one-hot 后取平均值

用戶(hù)\水果蘋(píng)果香蕉草莓芒果西瓜木瓜火龍果

user1	1	1	1	0	0	0	0
user2	1	0	0	1	0	0	0
user3	0	0	0	0	1	1	1

import tensorflow as tf import numpy as npp = tf.Variable(np.arange(21).reshape(7,3), dtype=tf.float32) gs = tf.SparseTensor(indices=[[0,0],[0,1],[0,2],[1,0],[1,1],[1,2],[2,0],[2,1]], values=[0,1,2,6,0,3,4,5], dense_shape=(3,3)) embedded_tags = tf.nn.embedding_lookup_sparse(p, sp_ids=tags, sp_weights=None)with tf.Session() as s:s.run([tf.global_variables_initializer(), tf.tables_initializer()])print(s.run([embedded_tags]))#[[ 3. , 4. , 5. ], ---user1 # [ 9. , 10. , 11. ], ---user2 # [13.5, 14.5, 15.5]] ---user3

比如 user1：( [ 0 1 2 ] + [ 3 4 5 ] + [ 6 7 8 ] ) / 3 = [ 3. , 4. , 5. ]

相關(guān)參考：推薦系統(tǒng)遇上深度學(xué)習(xí)(四)–多值離散特征的embedding解決方案

總結(jié)

以上是生活随笔為你收集整理的tensorflow--embedding_lookup 和 embedding_lookup_sparse的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。