TensorFlow中tf.feature_column.indicator_column示例解析及技术问询

嘿，我来帮你把这个官方示例拆解明白，顺便解答你可能碰到的相关问题：

先把示例代码补全并格式化 #

原示例里有个小语法问题（少了闭合括号），我帮你修正后的完整代码如下：

import tensorflow as tf

# 定义带词汇表的分类特征列，再转成indicator列
name_feature_col = tf.feature_column.indicator_column(
    tf.feature_column.categorical_column_with_vocabulary_list(
        key='name',
        vocabulary_list=['bob', 'george', 'wanda']
    )
)
# 这里的...代表你可能用到的其他特征列
feature_columns = [name_feature_col, ...]

# 解析输入的Example格式数据
parsed_features = tf.parse_example(
    # 这里填你的输入Example数据
    input_data,
    features=tf.feature_column.make_parse_example_spec(feature_columns)
)

# 生成模型可用的稠密张量
dense_output = tf.feature_column.input_layer(parsed_features, feature_columns)

# 两种输入场景的输出结果
# 当"name"字段值为["bob"]时，输出是单热编码
dense_output == [[1, 0, 0]]
# 当"name"字段值为["bob", "wanda"]时，输出是多热编码
dense_output == [[1, 0, 1]]

核心知识点拆解 #

• indicator_column的本质：它的作用就是把离散的分类特征，转换成模型能直接用的多热编码稠密张量。简单说就是，把词汇表里的每个类别对应一个位置，输入里有哪个类别，对应位置就设为1，其余为0。
• 单值与多值输入的差异：
  • 如果输入的name是单个值（比如只有"bob"），输出就是标准的one-hot向量，只有匹配的位置为1。
  • 如果输入的name是多个值（比如同时有"bob"和"wanda"），输出就是multi-hot向量，所有匹配的位置都会被设为1。
• 词汇表的作用：输入的特征值必须在指定的词汇表里，不在表里的值会被直接忽略，不会在输出张量里留下痕迹。

你可能关心的常见问题 #

Q: 要是输入的特征值不在词汇表里怎么办？ #

默认情况下，不在词汇表的值会被当作无效值处理，输出里不会有对应的1。如果你想处理这种未知值，可以在定义categorical_column_with_vocabulary_list时加上num_oov_buckets=N参数（N是你想设置的未知值桶数量），这样所有未知值都会被映射到这个额外的桶对应的位置。

Q: indicator_column和embedding_column该怎么选？ #

• 当你的分类类别数量不多（比如几十到几百种），用indicator_column就够了，输出的多热编码直观且容易理解。
• 当类别数量特别多（比如上万甚至几十万种），embedding_column会更合适，它会把高维的分类特征映射到低维的嵌入向量，既能降低输入维度，还能捕捉类别间的语义关联。

Q: 怎么把这个特征和数值型特征一起用？ #

很简单，数值型特征用tf.feature_column.numeric_column定义好，然后和这个indicator_column一起放到feature_columns列表里，input_layer会自动把所有特征拼接成一个统一的稠密张量，直接喂给模型就行。

内容的提问来源于stack exchange，提问作者plhn