#matmul:将矩阵 a 乘以矩阵 b,生成a * b #pow（x,y）=x^y #subtract：返回x-y 的元素 #multiply 对应元素相乘，不是矩阵相乘，而是相同维度的两个向量（或者矩阵）对应的元素相乘，结果还是原向量的维度一致的向量 #reduce_sum:https://blog.csdn.net/u012193416/article/details/83349138 # n * 1,先对应元素相乘，再通过reduce_sum求和（结果保持向量结果），最后再和w0偏置进行求和 linear_terms = tf.add(w0,tf.reduce_sum(tf.multiply(w,x),1,keep_dims=True)) pair_interactions = 0.5 * tf.reduce_sum( tf.subtract( tf.pow( tf.matmul(x,tf.transpose(v)),2), tf.matmul(tf.pow(x,2),tf.transpose(tf.pow(v,2))) ),axis = 1 , keep_dims=True)
2.关于tf.truncated_normal()函数介绍
参考：https://blog.csdn.net/qq_36512295/article/details/100599979
tf.truncated_normal(shape, mean, stddev)
释义：截断的产生正态分布的随机数，即随机数与均值的差值若大于两倍的标准差，则重新生成。
shape，生成张量的维度
mean，均值
stddev，标准差
截断正态分布，是指限制正态分布的区间，可以是上限也可以是下限。
3.tensorflow的sess.run的解释
比如 a=tf.add(2,5) #这里本来a为7 b=tf.multiply(a,3) #b=21 sess=tf.Session() replace_dict={a:15} #把a=15替换原a sess.run(b,feed_dict=replace_dict) #这里就是用新a替换掉旧a。所以结果为15X3=45
4.tf.feature_column详解
参考：https://blog.csdn.net/kangshuangzhu/article/details/106851826
在tensorflow2.0 环境下的tfrecord读写及tf.io.parse_example和tf.io.parse_single_example的区别中已经讲到了从tfrecord 中读取数据需要提供一个dict，里面包含了特征名称和特征的类型，如果我们特征很少，只需要手写这个dict就可以。但是当特征非常多的时候，就需要更方便的工具来生成这个dict。这个工具的就是tf.feature_column，同时tf.feature_column也是一个特征工程的工具，可以用来自动one-hot处理，还有hash分桶等处理。
categorical_column_with_vocabulary_list：
对于枚举值量少的类别型特征，比如省份等。
city = tf.feature_column.categorical_column_with_vocabulary_list("city",["shanghai","beijing","guangzhou","tianjin","shenzhen"])
categorical_column_with_identity
这个方法用于已经编码的sparse特征，例如，店铺id虽然数量非常大，但是已经把每个店铺id都从0开始编码，那么就可以用。（其实就是先做label encoding）
#其中，num_bucket是最大编号
poi = tf.feature_column.categorical_column_with_identity("poi", num_buckets=10, default_value=0)
categorical_column_with_vocabulary_file
前面已经说了，当sparse特征的种类数量非常巨大的时候，就不能用用categorical_column_with_vocabulary_list了，用categorical_column_with_identity 又需要事先对sparse特征编码，这时候可以用tf.feature_column.categorical_column_with_vocabulary_file命令，读取sparse特征的所有可能取值。当然这种方法的效率也是比较低的，在要求低延迟的线上是不太划算的。
tf.feature_column.categorical_column_with_vocabulary_file( key, vocabulary_file, vocabulary_size=None, dtype=tf.dtypes.string, default_value=None, num_oov_buckets=0 )
categorical_column_with_hash_bucket
如果sparse特征非常庞大，例如上面的poi可以写成
poi = tf.feature_column.categorical_column_with_hash_bucket("poi", hash_bucket_size=10, dtype=tf.dtypes.int64)
但是应该注意的是，hash_bucket_size的大小应该留有充分的冗余量，否则非常容易出现hash冲突，在这个例子中，一共有3个店铺，把hash_bucket_size设定为10，仍然得到了hash冲突的结果，这样poi的信息就被丢失了一些信息。
feature_column.indicator column
tf.feature_column.indicator column 是一个onehot工具，用于把sparse特征进行onehot 变换，用于把categorical_column_with_*工具生成的特征变成onehot 编码
tf.feature_column.indicator column 的入参非只有一个，就是categorical_column_with_*的结果。
poi = tf.feature_column.categorical_column_with_hash_bucket("poi", hash_bucket_size=15, dtype=tf.dtypes.int64) poi_idc = tf.feature_column.indicator_column(poi)
feature_column.embedding_column
用于生成embedding后的张量。
categorical_column： categorical_column_with_* 工具的结果
dimension：embedding后的维度
combiner：对于多种类的sparse特征怎么组合，Currently 'mean', 'sqrtn' and 'sum' are supported
tf.feature_column.embedding_column( categorical_column, dimension, combiner='mean', initializer=None, ckpt_to_load_from=None, tensor_name_in_ckpt=None, max_norm=None, trainable=True, use_safe_embedding_lookup=True )
tf.feature_column.crossed_column()
参考：https://blog.csdn.net/pearl8899/article/details/107979097
对hash映射之后的特征进行交叉。
优势：特征交叉，在有些情况下，特征独自编码与多维特征交叉后的特征特性会有不一样的结果。
tf.data
参考：https://blog.csdn.net/weixin_31767897/article/details/79365968
在机器学习过程中，对数据的获取、过滤、使用、存储是很重要的一个内容，因为数据可能是不完整的、有杂质的、来源不同的。面对海量数据，我们当然不可能每次都手动整合。Tensorflow框架下，对数据的处理使用的是tf.data，它可以帮助我们以多种方式获取数据、灵活的处理数据和保存数据，使我们能够把更多的精力专注在算法的逻辑上。
dataset = tf.data.Dataset.from_tensor_slices( {"a": tf.random_uniform([4]), "b": tf.random_uniform([4, 100], maxval=100, dtype=tf.int32)}) print(dataset.output_types) # ==> "{'a': tf.float32, 'b': tf.int32}" print(dataset.output_shapes) # ==> "{'a': (), 'b': (100,)}"
tf.Dataset.shuffle
tensorflow中的数据集类Dataset有一个shuffle方法，用来打乱数据集中数据顺序，训练时非常常用。
https://www.cnblogs.com/wisir/p/12932154.html
tf.estimator
参考：https://www.cnblogs.com/yifdu25/p/8284196.html
其中，
tf.estimator.DNNLinearCombinedClassifier
DNNLinearCombinedClassifier 类
继承自： Estimator
定义在：tensorflow/python/estimator/canned/dnn_linear_combined.py。
TensorFlow Linear 和 DNN 的估算器（estimator）加入了分类模型。
注意：此估算器（estimator）也称为 wide-n-deep。
model = tf.estimator.DNNLinearCombinedClassifier( model_dir = model_dir, linear_feature_columns=base_columns + crossed_columns, dnn_feature_columns=deep_columns, dnn_hidden_units=[100,50] )
浙公网安备 33010602011771号