feature_column.embedding_column与keras.layers.Embedding在TensorFlow中的差异

Question

我几乎在所有的项目中都使用了keras.layers.Embedding。但是，最近我想摆弄tf.data，发现了tf.data

从文件中：

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，但是您想要将它们转换成一个密集的表示(例如，输入到DNN)时，请使用它。

keras.layers.Embedding -将正整数(索引)转化为固定大小的密集向量.例如，[[4], [20]] -> [[0.25, 0.1], [0.6, -0.2]]这个层只能作为模型中的第一个层使用。

我的问题是，两个api是否都对不同类型的输入数据做类似的事情(对于ex )。输入- 0,1,2用于keras.layers.Embedding及其单热编码代表。[1，0，0，0，1 0，0，0，1 feature_column.embedding_column]？

Answer 1

在检查了这两个操作的源代码之后，我发现了以下内容：

两种操作都依赖于funcitonality;

• keras.layers.Embedding，它们都使用密集的表示，并包含用于处理形状的通用keras代码，init变量etc;

• feature_column.embedding_column依赖于稀疏，并包含缓存结果的功能。

因此，您的猜测似乎是正确的:这2人正在做类似的事情，依赖于不同的输入表示，包含一些逻辑并不改变他们所做的事情的本质。