python - 如何在带有嵌入层的keras中构建序列到序列自动编码器？

Question

我想在 keras 中构建一个序列到序列自动编码器。目的是“doc2vec”。

在keras博客的文档中，我找到了一个例子:https://blog.keras.io/building-autoencoders-in-keras.html

from keras.layers import Input, LSTM, RepeatVector
from keras.models import Model

inputs = Input(shape=(timesteps, input_dim))
encoded = LSTM(latent_dim)(inputs)

decoded = RepeatVector(timesteps)(encoded)
decoded = LSTM(input_dim, return_sequences=True)(decoded)

sequence_autoencoder = Model(inputs, decoded)
encoder = Model(inputs, encoded)

如果我需要为此添加一个嵌入层怎么办？如果我们正在处理一段文本，我们假设应该首先对文本进行标记化，用预训练的向量嵌入它，对吧？

解码器中是否需要密集层或时间分布密集层？我需要颠倒序列的顺序吗？

提前致谢。

Answer 1

嵌入层只能用作模型中的第一层作为documentation状态，所以像这样:

inputs = Input(shape=(timesteps, input_dim))
embedded = Embedding(vocab_size, embedding_size, mask_zero=True, ...))(inputs)
encoded = LSTM(latent_dim)(embedded)

我们应该首先对文本进行标记化，将其嵌入预训练向量，对吗？是的，这是默认选项。如果你有足够大的语料库，你只训练你自己的嵌入否则GloVe经常被使用。有一个 Keras example它使用 GloVe 和内部 Tokenizer 将文本传递到带有嵌入层的模型中。

对于解码，您将需要一个Dense层，但使用TimeDistributed对于版本2是可选的。默认情况下，Dense将内核应用到您传递的 3D 张量的每个时间步长:

decoded = RepeatVector(timesteps)(encoded)
decoded = LSTM(input_dim, return_sequences=True)(decoded)
decoded = Dense(vocab_size, activation='softmax')(decoded)
# (batch_size, timesteps, vocab_size)

值得注意的是，取前 N 个最常见的词会加快训练速度，否则 softmax 的计算成本会很高。 Keras 示例也采用有限数量的单词，每个其他单词都映射到一个特殊的未知标记。