python - 举例说明 : how embedding layers in keras works

Question

我不明白Keras的Embedding层。虽然有很多文章解释了，但我还是很困惑。例如，下面的代码来自imdb情感分析:

top_words = 5000
max_review_length = 500
embedding_vecor_length = 32    

model = Sequential()
model.add(Embedding(top_words, embedding_vecor_length, input_length=max_review_length))
model.add(LSTM(100))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())
model.fit(X_train, y_train, nb_epoch=3, batch_size=64)

在这段代码中，嵌入层到底在做什么？嵌入层的输出是什么？如果有人可以用一些例子来解释它，那就太好了!

Answer 1

嵌入层从输入单词中创建嵌入向量(我自己仍然不懂数学)，类似于word2vec或pre-calculated glove就可以了。

在讨论您的代码之前，让我们先举一个简短的示例。

texts = ['This is a text', 'This is not a text']

首先，我们将这些句子转换为整数向量，其中每个单词都是分配给字典中单词的数字，向量的顺序创建单词的序列。

from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences 
from keras.utils import to_categorical

max_review_length = 6  # maximum length of the sentence
embedding_vector_length = 3
top_words = 10

# num_words is the number of unique words in the sequence, if there's more top count words are taken
tokenizer = Tokenizer(top_words)
tokenizer.fit_on_texts(texts)
sequences = tokenizer.texts_to_sequences(texts)
word_index = tokenizer.word_index
input_dim = len(word_index) + 1
print('Found %s unique tokens.' % len(word_index))

# max_review_length is the maximum length of the input text so that we can create vector [... 0,0,1,3,50] where 1,3,50 are individual words
data = pad_sequences(sequences, max_review_length)

print('Shape of data tensor:', data.shape)
print(data)

[Out:] 
'This is a text' --> [0 0 1 2 3 4]
'This is not a text' --> [0 1 2 5 3 4]

现在您可以将这些输入到嵌入层中。

from keras.models import Sequential
from keras.layers import Embedding

model = Sequential()
model.add(Embedding(top_words, embedding_vector_length, input_length=max_review_length, mask_zero=True))
model.compile(optimizer='adam', loss='categorical_crossentropy')
output_array = model.predict(data)

output_array包含大小为 (2, 6, 3) 的数组:在我的例子中，有 2 个输入评论或句子，6 是每个评论中的最大单词数 ( max_review_length )，3 是 embedding_vector_length 。例如

array([[[-0.01494285, -0.007915  ,  0.01764857],
    [-0.01494285, -0.007915  ,  0.01764857],
    [-0.03019481, -0.02910612,  0.03518577],
    [-0.0046863 ,  0.04763055, -0.02629668],
    [ 0.02297204,  0.02146662,  0.03114786],
    [ 0.01634104,  0.02296363, -0.02348827]],

   [[-0.01494285, -0.007915  ,  0.01764857],
    [-0.03019481, -0.02910612,  0.03518577],
    [-0.0046863 ,  0.04763055, -0.02629668],
    [-0.01736645, -0.03719328,  0.02757809],
    [ 0.02297204,  0.02146662,  0.03114786],
    [ 0.01634104,  0.02296363, -0.02348827]]], dtype=float32)

在您的情况下，您有一个包含 5000 个单词的列表，它可以创建最多 500 个单词的评论(更多单词将被修剪)，并将这 500 个单词中的每个单词转换为大小为 32 的向量。

您可以通过运行以下命令获得单词索引和嵌入向量之间的映射:

model.layers[0].get_weights()

在下面的例子中top_words是 10，所以我们有 10 个单词的映射，您可以看到 0、1、2、3、4 和 5 的映射等于 output_array如上所述。

[array([[-0.01494285, -0.007915  ,  0.01764857],
    [-0.03019481, -0.02910612,  0.03518577],
    [-0.0046863 ,  0.04763055, -0.02629668],
    [ 0.02297204,  0.02146662,  0.03114786],
    [ 0.01634104,  0.02296363, -0.02348827],
    [-0.01736645, -0.03719328,  0.02757809],
    [ 0.0100757 , -0.03956784,  0.03794377],
    [-0.02672029, -0.00879055, -0.039394  ],
    [-0.00949502, -0.02805768, -0.04179233],
    [ 0.0180716 ,  0.03622523,  0.02232374]], dtype=float32)]

如所述:https://stats.stackexchange.com/questions/270546/how-does-keras-embedding-layer-work这些向量是随机启动的，并由网络优化器进行优化，就像网络的任何其他参数一样。