![](/img/trans.png)
[英]How can I implement a random shear preprocessing layer in tensorflow 2?
[英]Implementing Label Encoder as a Tensorflow Preprocessing layer
根据我对 SKLearn 文档的理解,SKLearn 中的LabelEncoder
对 0 和减去 1 的类数之间的值进行编码(即n_classes
- 1)。
我想使用类似的东西作为 Tensorflow 预处理操作的一部分,以避免将 SKLearn 用于包。 例如,我理解预处理层提供了用于 OneHot 编码和分类编码的 API,如下所示:
tf.keras.layers.CategoryEncoding(
num_tokens=None, output_mode='multi_hot', sparse=False, **kwargs
)
有什么方法可以通过CategoryEncoding
API 中的某些参数使用 LabelEncoder,还是我必须使用 Tensorflow 文档中提供的抽象基类模板定义一个全新的预处理层?
如果是这样,是否有任何关于如何编写自己的类以将LabelEncoder
用作 Tensorflow 层的参考?
IIUC,你只需要稀疏的整数标签。 所以,也许先尝试一些简单而天真的事情:
classes = ['fish1', 'fish2', 'fish3']
data = ['fish1', 'fish2', 'fish3', 'fish2', 'fish3', 'fish1']
class_indices = dict(zip(classes, range(len(classes))))
labels = list(map(class_indices.get, data))
print(labels)
[0, 1, 2, 1, 2, 0]
或者使用Tensorflow
,您可以使用StaticHashTable
:
import tensorflow as tf
classes = ['fish1', 'fish2', 'fish3']
data = tf.constant(['fish1', 'fish2', 'fish3', 'fish2', 'fish3', 'fish1'])
table = tf.lookup.StaticHashTable(
tf.lookup.KeyValueTensorInitializer(tf.constant(classes), tf.range(len(classes))),
default_value=-1)
label_encoder = tf.keras.layers.Lambda(lambda x: table.lookup(x))
print(label_encoder(data))
tf.Tensor([0 1 2 1 2 0], shape=(6,), dtype=int32)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.