代码之家 › 专栏 › 技术社区 › avanwyk

在Keras模型中使用张量流特征列

deep-learning keras tensorflow

11

avanwyk · 技术社区 · 7 年前

张量如何流动 feature_column 与Keras模型一起使用?

embedded_text_feature_column = hub.text_embedding_column(
    key="sentence", 
    module_spec="https://tfhub.dev/google/nnlm-en-dim128/1")

estimator = tf.estimator.DNNClassifier(
hidden_units=[100],
feature_columns=[embedded_text_feature_column],
n_classes=2,
optimizer=tf.train.AdamOptimizer(learning_rate=0.001))

但是,我想使用tfhub text_embedding_column 作为Keras模型的输入。例如。

net = tf.keras.layers.Input(...) # use embedding column here
net = tf.keras.layers.Flatten()
net = Dense(100, activation='relu')(net)
net = Dense(2)(net)

这可能吗?

1 回复 | 直到 7 年前

1

mdaoust 5 年前

keras函数api是一种可行的方法,但是如果您想使用 feature_columns 本教程介绍如何:

https://www.tensorflow.org/beta/tutorials/keras/feature_columns

基本上就是这个 DenseFeatures

feature_layer = tf.keras.layers.DenseFeatures(feature_columns)

model = tf.keras.Sequential([
  feature_layer,
  layers.Dense(128, activation='relu'),
  layers.Dense(128, activation='relu'),
  layers.Dense(1, activation='sigmoid')
])

2

0

krishnab 6 年前

答案似乎是您不使用功能列。 Keras

所以基本上 tf.feature_columns 为高级API保留。然后 tf.keras.preprocessing() 函数用于 tf.keras

keras https://keras.io/preprocessing/text/

下面是另一个Stackoverflow post,它有一个这种方法的示例。

Add Tensorflow pre-processing to existing Keras model (for use in Tensorflow Serving)