TensorFlow 中 feature_column.embedding_column 和 keras.layers.Embedding 的区别答案

【问题标题】：Difference between feature_column.embedding_column and keras.layers.Embedding in TensorFlowTensorFlow 中 feature_column.embedding_column 和 keras.layers.Embedding 的区别
【发布时间】：2020-03-04 00:03:58
【问题描述】：

我几乎所有的项目都在使用 keras.layers.Embedding。但是，最近我想摆弄 tf.data 并找到 feature_column.embedding_column。

来自文档：

feature_column.embedding_column - DenseColumn 从稀疏的分类输入转换而来。当您的输入稀疏但您想将它们转换为密集时使用它表示（例如，馈送到 DNN）。

keras.layers.Embedding - 将正整数（索引）转换为固定大小的密集向量。例如[[4], [20]] -> [[0.25, 0.1], [0.6, -0.2]] 该层只能用作模型中的第一层。

我的问题是，两个 api 是否对不同类型的输入数据做类似的事情（例如输入 - keras.layers.Embedding 的 [0,1,2] 及其单热编码代表。[ [1,0,0],[0,1,0],[0,0,1] for feature_column.embedding_column)？

【问题讨论】：

标签： tensorflow input deep-learning embedding

【解决方案1】：

在查看这两个操作的源代码后，我发现：

这两个操作都依赖于tensorflow.python.ops.embedding_ops 功能；
keras.layers.Embedding 使用 dense 表示并包含用于处理形状、初始化变量等的通用 keras 代码；
feature_column.embedding_column 依赖于 sparse 并包含缓存结果的功能。

所以，您的猜测似乎是正确的：这 2 个在做类似的事情，依赖于不同的输入表示，包含一些不会改变他们所做事情本质的逻辑。

【讨论】：