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

Question

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 并找到了feature_column.embedding_column。

从文档：

feature_column.embedding_column - DenseColumn从稀疏的分类输入转换而来。当您的输入是稀疏的，但您想将它们转换为密集表示（例如，馈送到 DNN）时，请使用此选项。

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 是否在不同类型的输入数据上做类似的事情（例如输入 - [0,1,2] for keras.layers.Embedding 及其单热编码代表。[[1, 0,0],[0,1,0],[0,0,1] 为 feature_column.embedding_column)？

Answer 1

在查看了这两个操作的源代码后，我发现：

• 这两种操作都依赖于功能性tensorflow.python.ops.embedding_ops；
• keras.layers.Embedding 使用密集表示并包含用于摆弄形状、初始化变量等的通用 keras 代码；
• feature_column.embedding_column 依赖于稀疏并包含缓存结果的功能。

所以，你的猜测似乎是正确的：这两个做类似的事情，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。