alex_bn_lee

导航

< 2025年3月 >
23 24 25 26 27 28 1
2 3 4 5 6 7 8
9 10 11 12 13 14 15
16 17 18 19 20 21 22
23 24 25 26 27 28 29
30 31 1 2 3 4 5

统计

【505】NLP实战系列(二)—— keras 中的 Embedding 层

参考:嵌入层 Embedding

参考:Python3 assert(断言)


1. Embedding 层语法

1
keras.layers.Embedding(input_dim, output_dim, embeddings_initializer='uniform', embeddings_regularizer=None, activity_regularizer=None, embeddings_constraint=None, mask_zero=False, input_length=None)

  将正整数(索引值)转换为固定尺寸的稠密向量。 例如: [[4], [20]] -> [[0.25, 0.1], [0.6, -0.2]]。该层只能用作模型中的第一层。

2. 参数说明

  • input_dim: int > 0。词汇表大小, 即,最大整数 index + 1。
  • output_dim: int >= 0。词向量的维度。
  • embeddings_initializer: embeddings 矩阵的初始化方法 (详见 initializers)。
  • embeddings_regularizer: embeddings matrix 的正则化方法 (详见 regularizer)。
  • embeddings_constraint: embeddings matrix 的约束函数 (详见 constraints)。
  • mask_zero: 是否把 0 看作为一个应该被遮蔽的特殊的 "padding" 值。 这对于可变长的 循环神经网络层 十分有用。 如果设定为 True,那么接下来的所有层都必须支持 masking,否则就会抛出异常。 如果 mask_zero 为 True,作为结果,索引 0 就不能被用于词汇表中 (input_dim 应该与 vocabulary + 1 大小相同)。
  • input_length: 输入序列的长度,当它是固定的时。 如果你需要连接 Flatten 和 Dense 层,则这个参数是必须的 (没有它,dense 层的输出尺寸就无法计算)。

  标记红色的是比较重要的参数,一般来说是需要具体赋值的。

3. 输入尺寸

  尺寸为 (batch_size, sequence_length) 的 2D 张量。

  • batch_size:每个批次的字符串数量
  • sequence_length:字符串长度,多了截断,少了补0

4. 输出尺寸

  尺寸为 (batch_size, sequence_length, output_dim) 的 3D 张量。

  • batch_size:每个批次的字符串数量
  • sequence_length:字符串长度,多了截断,少了补0
  • output_dim:稠密矩阵维度

5. 举例

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
model = Sequential()
model.add(Embedding(1000, 64, input_length=10))
# 模型将输入一个大小为 (batch, input_length) 的整数矩阵。
# 输入中最大的整数(即词索引)不应该大于 999 (词汇表大小)
# 64 表示稠密矩阵的维度
# input_length=10 表示字符串长度
# 现在 model.output_shape == (None, 10, 64),其中 None 是 batch 的维度。
 
input_array = np.random.randint(1000, size=(32, 10))
# 新建一个输入数据
# 32 表示字符串数量
# 10 表示字符串长度
# 整体都是一些小于1000的整数表示,每一个数字对应于一个单词
 
model.compile('rmsprop', 'mse')
output_array = model.predict(input_array)
assert output_array.shape == (32, 10, 64)
# 没有提示错误,说明维度输出是正确的
# 32 表示字符串数量
# 10 表示字符串长度
# 64 表示稠密绝阵的维度

  

posted on   McDelfino  阅读(485)  评论(0编辑  收藏  举报

编辑推荐:
· AI与.NET技术实操系列(二):开始使用ML.NET
· 记一次.NET内存居高不下排查解决与启示
· 探究高空视频全景AR技术的实现原理
· 理解Rust引用及其生命周期标识(上)
· 浏览器原生「磁吸」效果!Anchor Positioning 锚点定位神器解析
阅读排行:
· DeepSeek 开源周回顾「GitHub 热点速览」
· 记一次.NET内存居高不下排查解决与启示
· 物流快递公司核心技术能力-地址解析分单基础技术分享
· .NET 10首个预览版发布:重大改进与新特性概览!
· .NET10 - 预览版1新功能体验(一)
点击右上角即可分享
微信分享提示