ai.onnx.ml - LabelEncoder¶

LabelEncoder - 4 (ai.onnx.ml)¶

版本¶

名称: LabelEncoder (GitHub)
域: ai.onnx.ml
自版本: 4
函数: False
支持级别: SupportType.COMMON
形状推断: True

此版本的算子自域ai.onnx.ml版本4起可用。

摘要¶

将输入张量中的每个元素映射到另一个值。
映射由两个并行的属性“keys_”和“values_”属性确定。指定“keys_”属性中的第i个值将映射到指定“values_”属性中的第i个值。这意味着输入的元素类型和指定“keys_”的元素类型应该相同，而输出类型与指定“values_”属性相同。请注意，“keys_”和“values_”属性必须具有相同的长度。如果在指定的“keys_”属性中找不到输入元素，则可能使用与指定的“values_”属性匹配的“default_”作为其输出值。“default_”属性的类型必须与所选的“values_”属性匹配。
让我们考虑一个将字符串张量映射到整数张量的示例。假设“keys_strings”为[“Amy”, “Sally”]，“values_int64s”为[5, 6]，而“default_int64”为“-1”。输入[“Dori”, “Amy”, “Amy”, “Sally”, “Sally”]将映射到[-1, 5, 5, 6, 6]。
由于此算子是一对一的映射，因此其输入和输出形状相同。请注意，只能设置“keys_”/“values_*”之一。
值为“NaN”的浮点键与任何输入“NaN”值匹配，无论位值如何。如果键重复，则最后一个键优先。

属性¶

default_float - FLOAT（默认值为'-0.0'）

一个浮点数。
default_int64 - INT（默认值为'-1'）

一个整数。
default_string - STRING（默认值为'_Unused'）

一个字符串。
default_tensor - TENSOR :

一个默认张量。如果values_*具有字符串类型，则为{“_Unused”}；如果values_*具有整数类型，则为{-1}；如果values_*具有浮点类型，则为{-0.f}。
keys_floats - FLOATS :

一个浮点数列表。
keys_int64s - INTS :

一个整数列表。
keys_strings - STRINGS :

一个字符串列表。
keys_tensor - TENSOR :

编码为1D张量的键。应该只设置一个“keys_*”。
values_floats - FLOATS :

一个浮点数列表。
values_int64s - INTS :

一个整数列表。
values_strings - STRINGS :

一个字符串列表。
values_tensor - TENSOR :

编码为1D张量的值。应该只设置一个“values_*”。

输入¶

X (异构) - T1

输入数据。它必须与设置的keys_*属性具有相同的元素类型。

输出¶

Y (异构) - T2

输出数据。此张量的元素类型基于设置的values_*属性。

类型约束¶

T1 in ( tensor(double), tensor(float), tensor(int16), tensor(int32), tensor(int64), tensor(string) )

输入类型是任意形状的张量。
T2 in ( tensor(double), tensor(float), tensor(int16), tensor(int32), tensor(int64), tensor(string) )

输出类型由指定的“values_*”属性确定。

示例¶

_string_int_label_encoder¶

import numpy as np
import onnx

node = onnx.helper.make_node(
    "LabelEncoder",
    inputs=["X"],
    outputs=["Y"],
    domain="ai.onnx.ml",
    keys_strings=["a", "b", "c"],
    values_int64s=[0, 1, 2],
    default_int64=42,
)
x = np.array(["a", "b", "d", "c", "g"]).astype(object)
y = np.array([0, 1, 42, 2, 42]).astype(np.int64)
expect(
    node,
    inputs=[x],
    outputs=[y],
    name="test_ai_onnx_ml_label_encoder_string_int",
)

node = onnx.helper.make_node(
    "LabelEncoder",
    inputs=["X"],
    outputs=["Y"],
    domain="ai.onnx.ml",
    keys_strings=["a", "b", "c"],
    values_int64s=[0, 1, 2],
)
x = np.array(["a", "b", "d", "c", "g"]).astype(object)
y = np.array([0, 1, -1, 2, -1]).astype(np.int64)
expect(
    node,
    inputs=[x],
    outputs=[y],
    name="test_ai_onnx_ml_label_encoder_string_int_no_default",
)

_tensor_based_label_encoder¶

import numpy as np
import onnx

tensor_keys = make_tensor(
    "keys_tensor", onnx.TensorProto.STRING, (3,), ["a", "b", "c"]
)
repeated_string_keys = ["a", "b", "c"]
x = np.array(["a", "b", "d", "c", "g"]).astype(object)
y = np.array([0, 1, 42, 2, 42]).astype(np.int16)

node = onnx.helper.make_node(
    "LabelEncoder",
    inputs=["X"],
    outputs=["Y"],
    domain="ai.onnx.ml",
    keys_tensor=tensor_keys,
    values_tensor=make_tensor(
        "values_tensor", onnx.TensorProto.INT16, (3,), [0, 1, 2]
    ),
    default_tensor=make_tensor(
        "default_tensor", onnx.TensorProto.INT16, (1,), [42]
    ),
)

expect(
    node,
    inputs=[x],
    outputs=[y],
    name="test_ai_onnx_ml_label_encoder_tensor_mapping",
)

node = onnx.helper.make_node(
    "LabelEncoder",
    inputs=["X"],
    outputs=["Y"],
    domain="ai.onnx.ml",
    keys_strings=repeated_string_keys,
    values_tensor=make_tensor(
        "values_tensor", onnx.TensorProto.INT16, (3,), [0, 1, 2]
    ),
    default_tensor=make_tensor(
        "default_tensor", onnx.TensorProto.INT16, (1,), [42]
    ),
)

expect(
    node,
    inputs=[x],
    outputs=[y],
    name="test_ai_onnx_ml_label_encoder_tensor_value_only_mapping",
)

LabelEncoder - 2 vs 4

LabelEncoder - 2 (ai.onnx.ml)¶

版本¶

名称: LabelEncoder (GitHub)
域: ai.onnx.ml
自版本: 2
函数: False
支持级别: SupportType.COMMON
形状推断: True

此版本的算子自域ai.onnx.ml版本2起可用。

摘要¶

将输入张量中的每个元素映射到另一个值。
映射由两个并行的属性“keys_”和“values_”属性决定。指定“keys_”属性中的第 i 个值将映射到指定“values_”属性中的第 i 个值。这意味着输入的元素类型和指定“keys_”的元素类型应该相同，而输出类型与指定“values_”属性相同。如果在指定的“keys_”属性中找不到输入元素，则与指定的“values_”属性匹配的“default_”可用作其输出值。
让我们考虑一个将字符串张量映射到整数张量的示例。假设“keys_strings”为[“Amy”, “Sally”]，“values_int64s”为[5, 6]，“default_int64”为“-1”。输入[“Dori”, “Amy”, “Amy”, “Sally”, “Sally”] 将映射到[-1, 5, 5, 6, 6]。
由于此运算符是一对一的映射，因此其输入和输出形状相同。请注意，只能设置“keys_”/“values_”之一。
对于键查找，使用按位比较，因此即使浮点数 NaN 也可以映射到“values_”属性中的值。

属性¶

default_float - FLOAT（默认值为'-0.0'）

一个浮点数。
default_int64 - INT（默认值为'-1'）

一个整数。
default_string - STRING（默认值为'_Unused'）

一个字符串。
keys_floats - FLOATS :

一个浮点数列表。
keys_int64s - INTS :

一个整数列表。
keys_strings - STRINGS :

字符串列表。“keys_*”中只有一个应该被设置。
values_floats - FLOATS :

一个浮点数列表。
values_int64s - INTS :

一个整数列表。
values_strings - STRINGS :

字符串列表。“value_*”中只有一个应该被设置。

输入¶

X (异构) - T1

输入数据。它可以是张量或标量。

输出¶

Y (异构) - T2

输出数据。

类型约束¶

T1 in ( tensor(float), tensor(int64), tensor(string) )

输入类型是任意形状的张量。
T2 in ( tensor(float), tensor(int64), tensor(string) )

输出类型由指定的“values_*”属性确定。

LabelEncoder - 1 (ai.onnx.ml)¶

版本¶

名称: LabelEncoder (GitHub)
域: ai.onnx.ml
since_version: 1
函数: False
支持级别: SupportType.COMMON
形状推断: True

此版本的运算符自 ai.onnx.ml 域的版本 1 起可用。

摘要¶

将字符串转换为整数，反之亦然。
如果设置了字符串默认值，它将把整数转换为字符串。如果设置了整数默认值，它将把字符串转换为整数。
每个运算符将整数转换为字符串或将字符串转换为整数，具体取决于提供了哪个默认值属性。只能定义一个默认值属性。
从整数转换为字符串时，字符串通过简单的索引从“classes_strings”列表中获取。
从字符串转换为整数时，将在列表中查找字符串，并使用找到它的索引作为转换后的值。

属性¶

classes_strings - STRINGS :

标签列表。
default_int64 - INT（默认值为'-1'）

当输入字符串值在映射中找不到时使用的整数。
“default_*”属性中只有一个必须被定义。
default_string - STRING（默认值为'_Unused'）

当输入整数值在映射中找不到时使用的字符串。
“default_*”属性中只有一个必须被定义。

输入¶

X (异构) - T1

输入数据。

输出¶

Y (异构) - T2

输出数据。如果输入为字符串，则输出值为整数，反之亦然。

类型约束¶

T1 in ( tensor(int64), tensor(string) )

输入类型必须是任何形状的整数或字符串张量。
T2 in ( tensor(int64), tensor(string) )

输出类型将是字符串或整数张量，并且将与输入具有相同的形状。