La couche Embedding

Réseaux de neurones récurrents (RNN) pour la modélisation du langage avec Keras

David Cecchini

Data Scientist

Pourquoi des embeddings

Avantages :

Réduire la dimension

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

Représentation dense
- king - man + woman = queen
Apprentissage par transfert

Inconvénients :

Beaucoup de paramètres à entraîner : apprentissage plus long

Comment l'utiliser dans Keras

Dans Keras :

from tensorflow.keras.layers import Embedding

model = Sequential()

# À utiliser comme première couche
model.add(Embedding(input_dim=100000,

                    output_dim=300,

                    trainable=True,

                    embeddings_initializer=None,

                    input_length=120))

Apprentissage par transfert

Apprentissage par transfert pour les modèles de langue

GloVE
word2vec
BERT

Dans Keras :

from tensorflow.keras.initializers import Constant

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

                    embeddings_initializer=Constant(pre_trained_vectors))

Utiliser les vecteurs GloVE préentraînés

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

# Obtenir les vecteurs GloVE
def get_glove_vectors(filename="glove.6B.300d.txt"):
    # Extraire tous les vecteurs de mots du modèle préentraîné
    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

Utiliser GloVE pour une tâche précise

# Filtrer les vecteurs GloVE pour une tâche donnée
def filter_glove(vocabulary_dict, glove_dict, wordvec_dim=300):

    # Créer une matrice pour stocker les vecteurs
    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:
            # Les mots absents de glove_dict resteront à zéro.
            embedding_matrix[i] = embedding_vector


    return embedding_matrix

Passons à la pratique !

Réseaux de neurones récurrents (RNN) pour la modélisation du langage avec Keras