在Keras模型中使用Tensorflow特征_柱
Tensorflow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
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')
])