tf tensor与numpy转换，embedding_lookup、embedding_lookup_sparse使用，feature_column使用

最新推荐文章于 2023-11-06 23:18:58 发布

loong_XL

最新推荐文章于 2023-11-06 23:18:58 发布

阅读量2.3k

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习

本文链接：https://blog.csdn.net/weixin_42357472/article/details/112269856

深度学习专栏收录该内容

334 篇文章 ¥39.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了在TensorFlow 2.x中如何进行Tensor与Numpy数组的转换，详细讲解了`embedding_lookup`和`embedding_lookup_sparse`的使用，特别是对于多值离散情况的应用，并探讨了在特征工程中`feature_column`的运用，包括`crossed_column`、`indicator_column`和`embedding_column`的细节，强调了它们在DNN输入中的作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、 tensor与numpy转换

注意：tf 2以后不用session ，tensor转numpy直接 mm.numpy()就行
np.asarray([1,3,6,2]) #列表或元祖转array

# numpy to tensor
import numpy as np
data_numpy = np.ones(5)
mm = tf.convert_to_tensor(data_numpy)
with tf.Session() as sess:
    print(mm.eval())

# tensor to numpy
with tf.Session() as sess:
    print(kk.eval())

2、embedding_lookup、embedding_lookup_sparse使用

参考：https://www.jianshu.com/p/e8986d0ff4ff

import tensorflow as tf
# tf.enable_eager_execution() # 关键
# tf.enable_eager_execution(
#     config=None,
#     device_policy=None,
#     execution_mode=None
# )


embedding = tf.constant(
    [
        [0.21,0.