Il livello Embedding

Reti Neurali Ricorrenti (RNN) per il Language Modeling con Keras

David Cecchini

Data Scientist

Perché usare embedding

Vantaggi:

Riduce la dimensione

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

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

Svantaggi:

Molti parametri da addestrare: training più lungo

Come usarlo in Keras

In Keras:

from tensorflow.keras.layers import Embedding

model = Sequential()

# Usalo come primo layer
model.add(Embedding(input_dim=100000,

                    output_dim=300,

                    trainable=True,

                    embeddings_initializer=None,

                    input_length=120))

Transfer learning

Transfer learning per modelli linguistici

GloVe
word2vec
BERT

In Keras:

from tensorflow.keras.initializers import Constant

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

                    embeddings_initializer=Constant(pre_trained_vectors))

Uso di vettori GloVe pre-addestrati

Sito ufficiale: https://nlp.stanford.edu/projects/glove/

# Ottieni i vettori GloVe
def get_glove_vectors(filename="glove.6B.300d.txt"):
    # Estrai tutti i word vector dal modello pre-addestrato
    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

Uso di GloVe su un task specifico

# Filtra i vettori GloVe per un task specifico
def filter_glove(vocabulary_dict, glove_dict, wordvec_dim=300):

    # Crea una matrice per salvare i vettori
    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:
            # le parole non trovate in glove_dict saranno zeri.
            embedding_matrix[i] = embedding_vector


    return embedding_matrix

Passiamo alla pratica !

Reti Neurali Ricorrenti (RNN) per il Language Modeling con Keras