预处理的作用主要在于将难以表达的string或者数组转换成模型容易训练的向量表示，其中转化过程大多是形成一张查询表用来查询。
常见的预处理方式包括：
-
class Discretization: Buckets data into discrete ranges.
-
class Hashing: Implements categorical feature hashing, also known as "hashing trick".
-
class IntegerLookup: Maps integers from a vocabulary to integer indices.
-
class Normalization: Feature-wise normalization of the data.
-
class StringLookup: Maps strings from a vocabulary to integer indices.
接下来，本文将介绍下这些常用的预处理方式的作用和内容
Discretization
离散化层。该层将其输入数据的每个元素放入几个连续的范围之一，并输出一个整数索引，指示每个元素位于哪个范围。这个索引也就是索引编号，通过分桶边界值判断输入的数字属于哪个分桶，以此给出桶号。
换句话说，它的作用在于将连续的数值特征转换为整数分类特征。
在2.5版本的tf当中，该层的入参只有一个分桶边界bins，用法为：
tf.keras.layers.experimental.preprocessing.Discretization( bins, **kwargs ) 在2.11版本的tf当中,Discretization层被定义为
tf.keras.layers.Discretization( bin_boundaries=None, num_bins=None, epsilon=0.01, output_mode='int', sparse=False, **kwargs ) 其中多了一个epsilon，用来作为误差容忍度，通常是一个接近于零的小分数(例如0.01)。较大的epsilon值会增加分位数近似，从而导致更多不相等的桶，但可以提高性能和资源消耗。
另外还多了一个output_mode:
-
"int":直接返回离散化的bin索引。
-
"one_hot":将输入中的每个元素编码到与num_bins大小相同的数组中，在输入的bin索引处包含一个1。如果最后一个维度的大小为1，则对该维度进行编码。如果最后一个维度的大小不是1，则将为编码后的输出追加一个新维度。
-
"multi_hot":将输入中的每个样本编码到与num_bins大小相同的单个数组中，为样本中出现的每个bin索引索引包含一个1。将最后一个维度作为样本维度，如果输入形状为(…, sample_length)，输出形状将是(…, num_tokens)。
-
"count":作为"multi_hot"，但int数组包含bin索引在示例中出现次数的计数。
举一个现有的官方的例子：
>>> input = np.array([[-1.5, 1.0, 3.4, .5], [0.0, 3.0, 1.3, 0.0]]) >>> layer = tf.keras.layers.experimental.preprocessing.Discretization( ... bins=[0., 1., 2.]) >>> layer(input) <tf.Tensor: shape=(2, 4), dtype=int32, numpy= array([[0, 1, 3, 1], [0, 3, 2, 0]], dtype=int32)> 在这个例子中，传入的参数 bins=[0., 1., 2.] 代表着该层以0、1、2 作为数值边界进行分桶，所以整体的查询表大概如下所示：
| bin | <0 | 0~1 | 1~2 | >2 |
|---|---|---|---|---|
| index | 0 | 1 | 2 | 3 |
结合着官方的例子，处于边界值上的数值，会被归于前一个桶。比如第一行第二个数字数值为1，会被分桶成编号为1。
其中Discretization层调用了bucket进行分桶
要注意的是，这些层是不可训练的。它们的状态在训练期间没有设置;它必须在训练之前设置，或者通过从预先计算的常数初始化它们，或者通过在数据上“调整”它们。
