在Keras模型中使用Tensorflow特征_柱_Tensorflow_Keras_Deep Learning

在Keras模型中使用Tensorflow特征_柱

tensorflow keras deep-learning

在Keras模型中使用Tensorflow特征_柱,tensorflow,keras,deep-learning,Tensorflow,Keras,Deep Learning,Tensorflow功能列如何与Keras模型结合使用例如，对于Tensorflow估计器，我们可以使用Tensorflow Hub的嵌入列： embedded\u text\u feature\u column=hub.text\u embedded\u column( key=“句子”，模块规格=”https://tfhub.dev/google/nnlm-en-dim128/1") 估算器=tf.estimator.DNNClassifier( 隐藏单位=[100]，特征列=[嵌入的

Tensorflow

功能列如何与Keras模型结合使用
例如，对于Tensorflow估计器，我们可以使用Tensorflow Hub的嵌入列：
embedded\u text\u feature\u column=hub.text\u embedded\u column(
key=“句子”，
模块规格=”https://tfhub.dev/google/nnlm-en-dim128/1")
估算器=tf.estimator.DNNClassifier(
隐藏单位=[100]，
特征列=[嵌入的特征列]，
n_类=2，
优化器=tf.train.AdamOptimizer（学习率=0.001））

但是，我想使用tfhubtext\u embedding\u列
作为Keras模型的输入。例如
net=tf.keras.layers.Input（…）#在这里使用嵌入列
net=tf.keras.layers.flatte（）
净=密度（100，激活率='relu'）（净）
净=密度（2）（净）

这可能吗？
答案似乎是您不使用功能列Keras
自带一套图像和文本的预处理功能，因此您可以使用这些功能
因此基本上，tf.feature\u列
是为高级API保留的。然后将tf.keras.preprocessing（）
函数用于tf.keras
模型
这里有一个链接，指向keras文档中有关数据预处理的部分。

下面是另一个Stackoverflow post，它有一个这种方法的示例
keras functional api是一种可行的方法，但是如果您想使用功能列
，本教程将向您展示如何：

基本上就是这个DenseFeatures
层完成了这项工作：
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')
])