feature_column.embedding_column与keras.layers.TensorFlow中的嵌入之间的差异

Question

我一直在几乎所有项目中使用keras.layers.Embedding。但是，最近，我想摆弄tf.data并找到feature_column.embedding_column。

从文档中：

feature_column.embedding_column-从稀疏分类输入转换的DenseColumn。输入稀疏但要转换为密集输入时使用表示形式（例如，用于馈送至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]]该层只能用作模型的第一层。

[我的问题是，两种api在不同类型的输入数据上是否都做类似的事情（例如，对于keras.layers.Embedding及其单编码的rep [例如，输入-[0,1,2]-[[ 1,0,0]，[0,1,0]，[0,0,1]用于feature_column.embedding_column）？

Answer 1

查看了这两种操作的源代码后，发现的是：

• 两个操作都依赖于tensorflow.python.ops.embedding_ops的功能性；
• keras.layers.Embedding使用dense表示形式，并包含用于处理形状，初始变量等的通用keras代码；
• feature_column.embedding_column依靠sparse并包含缓存结果的功能。

所以，您的猜测似乎是正确的：这两个正在做类似的事情，依赖于不同的输入表示形式，包含一些不会改变其本质的逻辑。