keras理解Word嵌入层

问题描述 投票：3回答：1

从page我得到以下代码：

from numpy import array
from keras.preprocessing.text import one_hot
from keras.preprocessing.sequence import pad_sequences
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Flatten
from keras.layers.embeddings import Embedding
# define documents
docs = ['Well done!',
        'Good work',
        'Great effort',
        'nice work',
        'Excellent!',
        'Weak',
        'Poor effort!',
        'not good',
        'poor work',
        'Could have done better.']
# define class labels
labels = array([1,1,1,1,1,0,0,0,0,0])
# integer encode the documents
vocab_size = 50
encoded_docs = [one_hot(d, vocab_size) for d in docs]
print(encoded_docs)
# pad documents to a max length of 4 words
max_length = 4
padded_docs = pad_sequences(encoded_docs, maxlen=max_length, padding='post')
print(padded_docs)
# define the model
model = Sequential()
model.add(Embedding(vocab_size, 8, input_length=max_length))
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))
# compile the model
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['acc'])
# summarize the model
print(model.summary())
# fit the model
model.fit(padded_docs, labels, epochs=50, verbose=0)
# evaluate the model
loss, accuracy = model.evaluate(padded_docs, labels, verbose=0)
print('Accuracy: %f' % (accuracy*100))
  1. 我看着encoded_docs并注意到done和work这两个词的one_hot编码都是2，为什么？是因为unicity of word to index mapping non-guaranteed.按照这个page？
  2. 我通过命令embeddings获得了embeddings = model.layers[0].get_weights()[0]。在这种情况下，为什么我们得到大小为50的embedding对象？即使两个单词具有相同的one_hot数，它们是否有不同的嵌入？
  3. 我怎么能理解哪个嵌入是哪个词，即done vs work
  4. 我还在page上找到了下面的代码，可以帮助找到每个单词的嵌入。但我不知道如何创建word_to_index word_to_index是从单词到其索引的映射（即字典），例如， love：69 words_embeddings = {w：embeddings [idx] for w，idx in word_to_index.items（）}
  5. 请确保我对para #的理解是正确的。

第一层有400个参数，因为总字数为50，嵌入有8个尺寸，所以50 * 8 = 400。

最后一层有33个参数，因为每个句子最多有4个单词。因此嵌入尺寸为4 * 8，偏置为1。共33个

_________________________________________________________________
Layer (type)                 Output Shape              Param#   
=================================================================
embedding_3 (Embedding)      (None, 4, 8)              400       
_________________________________________________________________
flatten_3 (Flatten)          (None, 32)                0         
_________________________________________________________________
dense_3 (Dense)              (None, 1)                 33        
=================================================================
  1. 最后，如果上面的1是正确的，有没有更好的方法来获得嵌入层model.add(Embedding(vocab_size, 8, input_length=max_length)) 而不做一个热编码encoded_docs = [one_hot(d, vocab_size) for d in docs]

+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

from numpy import array
from keras.preprocessing.text import one_hot
from keras.preprocessing.sequence import pad_sequences
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Flatten
from keras.layers.embeddings import Embedding
# define documents
docs = ['Well done!',
        'Good work',
        'Great effort',
        'nice work',
        'Excellent!',
        'Weak',
        'Poor effort!',
        'not good',
        'poor work',
        'Could have done better.']
# define class labels
labels = array([1,1,1,1,1,0,0,0,0,0])


from keras.preprocessing.text import Tokenizer

tokenizer = Tokenizer()

#this creates the dictionary
#IMPORTANT: MUST HAVE ALL DATA - including Test data
#IMPORTANT2: This method should be called only once!!!
tokenizer.fit_on_texts(docs)

#this transforms the texts in to sequences of indices
encoded_docs2 = tokenizer.texts_to_sequences(docs)

encoded_docs2

max_length = 4
padded_docs2 = pad_sequences(encoded_docs2, maxlen=max_length, padding='post')
max_index = array(padded_docs2).reshape((-1,)).max()



# define the model
model = Sequential()
model.add(Embedding(max_index+1, 8, input_length=max_length))# you cannot use just max_index 
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))
# compile the model
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['acc'])
# summarize the model
print(model.summary())
# fit the model
model.fit(padded_docs2, labels, epochs=50, verbose=0)
# evaluate the model
loss, accuracy = model.evaluate(padded_docs2, labels, verbose=0)
print('Accuracy: %f' % (accuracy*100))

embeddings = model.layers[0].get_weights()[0]

embeding_for_word_7 = embeddings[14]
index = tokenizer.texts_to_sequences([['well']])[0][0]
tokenizer.document_count
tokenizer.word_index
python tensorflow keras word-embedding
1个回答
8
投票

1 - 是的，单词unicity不能保证，请参阅docs：

  • 来自one_hot：这是hashing_trick函数的包装...
  • 来自hashing_trick：“由于散列函数可能发生碰撞，可能会将两个或多个单词分配给同一个索引。碰撞的概率与散列空间的维数和不同对象的数量有关。”

最好使用Tokenizer。 （见问题4）

记住在创建索引时应该同时涉及所有单词，这一点非常重要。您不能使用函数创建一个包含2个单词的字典，然后再使用2个单词再创建一个字典....这将创建非常错误的字典。

2 - 嵌入的大小为50 x 8，因为它是在嵌入层中定义的：

Embedding(vocab_size, 8, input_length=max_length)
  • vocab_size = 50 - 这意味着字典中有50个单词
  • embedding_size= 8 - 这是嵌入的真实大小：每个单词由8个数字的向量表示。

3 - 你不知道。他们使用相同的嵌入。

系统将使用相同的嵌入（index = 2）。这对你的模型来说根本不健康。您应该使用另一种方法来创建问题1中的索引。

4 - 您可以手动创建单词词典，也可以使用Tokenizer类。

手动：

确保删除标点符号，将所有单词设为小写。

只需为您拥有的每个单词创建一个字典：

dictionary = dict()
current_key = 1

for doc in docs:
    for word in doc.split(' '):
        #make sure you remove punctuation (this might be boring)
        word = word.lower()

        if not (word in dictionary):
            dictionary[word] = current_key
            current_key += 1

标记生成器：

from keras.preprocessing.text import Tokenizer

tokenizer = Tokenizer()

#this creates the dictionary
#IMPORTANT: MUST HAVE ALL DATA - including Test data
#IMPORTANT2: This method should be called only once!!!
tokenizer.fit_on_texts(docs)

#this transforms the texts in to sequences of indices
encoded_docs2 = tokenizer.texts_to_sequences(docs)

查看encoded_docs2的输出：

[[6, 2], [3, 1], [7, 4], [8, 1], [9], [10], [5, 4], [11, 3], [5, 1], [12, 13, 2, 14]]

查看最大指数：

padded_docs2 = pad_sequences(encoded_docs2, maxlen=max_length, padding='post')
max_index = array(padded_docs2).reshape((-1,)).max()

所以，你的vocab_size应该是15（否则你会有很多无用的 - 无害的 - 嵌入行）。请注意，0未用作索引。它会出现在填充中！

不要再“适应”标记器了！只使用与“拟合”无关的texts_to_sequences()或其他方法here。

提示：有时在文本中包含end_of_sentence单词可能很有用。

提示2：保存你的Tokenizer以便以后使用是个好主意（因为它有一个特定的数据，用fit_on_texts创建）。

#save:
text_to_save = tokenizer.to_json()

#load:
from keras.preprocessing.text import tokenizer_from_json
tokenizer = tokenizer_from_json(loaded_text)

5 - 嵌入的参数是正确的。

稠密：

Dense的参数总是基于前一层（在本例中为Flatten）。

公式是：previous_output * units + units

这导致32 (from the Flatten) * 1 (Dense units) + 1 (Dense bias=units) = 33

拼合：

它获得所有以前的维度乘以= 8 * 4。 Embedding输出lenght = 4和embedding_size = 8。

6 - Embedding图层不依赖于您的数据以及您如何预处理它。

Embedding层的大小只有50 x 8，因为你这么说。 （见问题2）

当然，有更好的方法来预处理数据 - 见问题4。

这将导致您更好地选择vocab_size（字典大小）。

看到一个单词的嵌入：

获取嵌入矩阵：

embeddings = model.layers[0].get_weights()[0]

选择任何单词索引：

embeding_for_word_7 = embeddings[7]

就这样。

如果您正在使用标记化器，请使用以下命令获取单词索引：

index = tokenizer.texts_to_sequences([['word']])[0][0]
最新问题
© www.soinside.com 2019 - 2024. All rights reserved.