A camada Embedding

Redes Neurais Recorrentes (RNNs) para Modelagem de Linguagem com Keras

David Cecchini

Data Scientist

Por que usar embeddings

Vantagens:

Reduz a dimensão

one_hot = np.array((N, 100000))
embedd = np.array((N, 300))

Representação densa
- king - man + woman = queen
Transfer learning

Desvantagens:

Muitos parâmetros para treinar: o treino leva mais tempo

Como usar no keras

No keras:

from tensorflow.keras.layers import Embedding

model = Sequential()

# Use como a primeira camada
model.add(Embedding(input_dim=100000,

                    output_dim=300,

                    trainable=True,

                    embeddings_initializer=None,

                    input_length=120))

Transfer learning

Transfer learning para modelos de linguagem

GloVE
word2vec
BERT

No keras:

from tensorflow.keras.initializers import Constant

model.add(Embedding(input_dim=vocabulary_size,
                    output_dim=embedding_dim,

                    embeddings_initializer=Constant(pre_trained_vectors))

Usando vetores pré-treinados do GloVE

Site oficial: https://nlp.stanford.edu/projects/glove/

# Obter os vetores GloVE
def get_glove_vectors(filename="glove.6B.300d.txt"):
    # Obter todos os vetores de palavras do modelo pré-treinado
    glove_vector_dict = {}
    with open(filename) as f:
        for line in f:

            values = line.split()

            word = values[0]
            coefs = values[1:]

            glove_vector_dict[word] = np.asarray(coefs, dtype='float32')


    return glove_vector_dict

Usando o GloVE em uma tarefa específica

# Filtrar vetores GloVE para uma tarefa específica
def filter_glove(vocabulary_dict, glove_dict, wordvec_dim=300):

    # Criar uma matriz para armazenar os vetores
    embedding_matrix = np.zeros((len(vocabulary_dict) + 1, wordvec_dim))

    for word, i in vocabulary_dict.items():
        embedding_vector = glove_dict.get(word)

        if embedding_vector is not None:
            # palavras não encontradas em glove_dict ficarão zeradas.
            embedding_matrix[i] = embedding_vector


    return embedding_matrix

Vamos praticar!

Redes Neurais Recorrentes (RNNs) para Modelagem de Linguagem com Keras