tensorflow feature_column 合集

前言

• feature_column 输入输出类型，用一个数据集给出demo
• feature_column 接estimator
• feature_column 接Keras

1. feature_column的输入输出类型

1.1 输入输出类型

feature_column输入可以是原始特征的列名,或者是feature_column。初上手感觉feature_column设计的有点奇怪，不过熟悉了逻辑后用起来还是很方便的。几个需要习惯一下的点：

• 深度模型的输入必须是Dense类型，所有输出是categorical类型需要经过indicator或者embedding的转换才可以；
• indicator，embedding，bucketized 的输入不能是原始特征，前两者只能是categorical类型的feature_column，后者只能是numeric_column；

feature_column	输入	输出	输出是否为dense
categorical_column_with_identity	数值型离散	categorical	N
categorical_column_with_vocabulary_list	字符型/数值型离散	categorical	N
categorical_column_with_hash_bucket	类别太多的离散值	categorical	N
crossed_column	categorical/离散值	categorical	N
indicator_column	categorical	one/multi-hot	Y
embedding_column	categorical	dense vector	Y
numeric_column	数值型连续值	numeric	Y
bucketzied_column	numeric_column	one-hot	Y

以下给出各种特征工程的demo，原始特征如下：

1.2 输入-连续值

1.3 输入-离散值

1.4 输入-categorical

2. feature_column接estimator

如果是使用预定义的estimator，feature_column 可以直接作为输入，不需要任何额外操作，只需要注意深度模型只支持Dense类型的feature_column即可。

如果是自定义estimator，则需要多一步用feature_column先创建input_layer。

input_layer = tf.feature_column.input_layer(features, feature_columns)

3. feature_column接keras

为什么要这么搭配呢，好像是没啥必要，只不过进一步证明tf的官方文档确实坑而已。

def model_fn():

    #define Keras input 
    input = {}
    for f in FEATURE_NAME:
        input[f] = Input(shape=(1,), name = f, dtype = DTYPE[f])
    
    #generate feature_columns
    feature_columns = build_features()
    
    #Define transformation from feature_columns to Dense Tensor 
    feature_layer = tf.keras.layers.DenseFeatures( feature_columns )
    
    #Transform input 
    dense_feature = feature_layer(input)
    
    output = Dense(1, activation='sigmoid')(dense_feature)
    
    #feed input placeholder as list 
    model = Model(inputs = [i for i in input.values()], outputs = output)

    return model