Embedding 层

使用 Keras 构建语言建模的循环神经网络（RNN）

David Cecchini

Data Scientist

为何使用嵌入

优点：

降维

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

稠密表示
- king - man + woman = queen
迁移学习

缺点：

参数多，训练更慢

在 keras 中如何使用

在 keras 中：

from tensorflow.keras.layers import Embedding

model = Sequential()

# 作为首层使用
model.add(Embedding(input_dim=100000,

                    output_dim=300,

                    trainable=True,

                    embeddings_initializer=None,

                    input_length=120))

迁移学习

语言模型的迁移学习

GloVE
word2vec
BERT

在 keras 中：

from tensorflow.keras.initializers import Constant

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

                    embeddings_initializer=Constant(pre_trained_vectors))

使用 GloVE 预训练向量

官方网站：https://nlp.stanford.edu/projects/glove/

# 获取 GloVE 向量
def get_glove_vectors(filename="glove.6B.300d.txt"):
    # 从预训练模型获取所有词向量
    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

在特定任务中使用 GloVE

# 将 GloVE 向量过滤为特定任务
def filter_glove(vocabulary_dict, glove_dict, wordvec_dim=300):

    # 创建矩阵以存储向量
    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:
            # 在 glove_dict 中未找到的词将为全零。
            embedding_matrix[i] = embedding_vector


    return embedding_matrix

Passons à la pratique !

使用 Keras 构建语言建模的循环神经网络（RNN）