python - 如果我们使用索引矩阵，是否需要在 Theano 中使用 flatten 和 reshape？

Question

我试着理解Theano implementation of LSTM (目前该链接因任何原因无效，但我希望它能尽快恢复)。

在代码中我看到以下部分:

emb = tparams['Wemb'][x.flatten()].reshape([n_timesteps,
                                            n_samples,
                                            options['dim_proj']])

为了使其“与上下文无关”，我按以下方式重写了它:

e = W[x.flatten()]].reshape([n1, n2, n3])

其中 x 的维度是 (n1, n2) 而 W 的维度是 (N, n3).

因此，我的假设是可以重写代码以使其更短。特别是我们可以这样写:

e = W[x]

或者，如果我们使用原始符号，它应该是:

emb = tparams['Wemb'][x]

我说得对吗？

为了提供更多上下文，x 是一个二维数组，包含表示单词的整数(例如 27 表示“单词编号 27”)。我的符号中的W(或原始符号中的tparams['Wemb'])是一个二维矩阵，其中每一行对应一个单词。因此，它是一个词嵌入矩阵 (Word2Vec)，将每个词映射到一个实值向量。

Answer 1

是的，你是对的。

W[x.flatten()]] 为您提供由 x 的值定义的 W 行(即单词)。所以结果是 shape = (n1*n2,n3)。我们称其为“单词列表”(不是 Python 列表，而是普通的语音列表)。然后 reshape 为您提供所需的大小，其中单词列表被分割为 n1 页的 n2 单词。

您可以使用 W[x] 实现相同的效果，因为 x 的 n2 行中的每一行都给您一个 结果的 n1 页。

这是一个示例程序，显示两个表达式是等价的:

import numpy as np

N = 4
n3 = 5
W = np.arange(n3*N).reshape((N,n3))

print("W = \n", W)

n1 = 2
n2 = 3
x = np.random.randint(low=0, high=N,size=(n1,n2))

print("\nx = \n", x)

print("\ne = \n", W[x.flatten()].reshape([n1, n2, n3]))

print("\nalternativeE = \n", W[x])