张量流 embedding_lookup

Question

我正在尝试通过 TensorFlow tf.nn.embedding_lookup() 函数学习 imdb 数据集 "from scratch" 的词表示。如果我理解正确的话，我必须在另一个隐藏层之前设置一个嵌入层，然后当我进行梯度下降时，该层将"learn"一个词表示在这一层的权重中。但是，当我尝试这样做时，我的嵌入层和网络的第一个全连接层之间出现形状错误。

def multilayer_perceptron(_X, _weights, _biases):
    with tf.device('/cpu:0'), tf.name_scope("embedding"):
        W = tf.Variable(tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),name="W")
        embedding_layer = tf.nn.embedding_lookup(W, _X)    
    layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(embedding_layer, _weights['h1']), _biases['b1'])) 
    layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, _weights['h2']), _biases['b2'])) 
    return tf.matmul(layer_2, weights['out']) + biases['out']

x = tf.placeholder(tf.int32, [None, n_input])
y = tf.placeholder(tf.float32, [None, n_classes])

pred = multilayer_perceptron(x, weights, biases)
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred,y))
train_step = tf.train.GradientDescentOptimizer(0.3).minimize(cost)

init = tf.initialize_all_variables()

我得到的错误是：

ValueError: Shapes TensorShape([Dimension(None), Dimension(300), Dimension(128)])
and TensorShape([Dimension(None), Dimension(None)]) must have the same rank

Answer 1

出现形状错误是因为您正在使用二维张量x 索引到二维嵌入张量W。将 tf.nn.embedding_lookup() (and its close cousin tf.gather()) 视为获取 x 中的每个整数值 i 并将其替换为行 W[i, :]。从错误消息中，可以推断出 n_input = 300 和 embedding_size = 128。通常，tf.nn.embedding_lookup() 维数的结果等于 rank(x) + rank(W) - 1... 在这种情况下，3。当您尝试将此结果乘以 _weights['h1'] 时，会出现错误，这是一个（两个-dimensional) 矩阵.

要修复此代码，这取决于您尝试做什么，以及您将输入矩阵传递给嵌入的原因。一个常见的做法是使用像 tf.reduce_sum() 这样的操作将每个输入示例的嵌入向量聚合到每个示例的一行中。例如，您可以执行以下操作：

W = tf.Variable(
    tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0) ,name="W")
embedding_layer = tf.nn.embedding_lookup(W, _X)

# Reduce along dimension 1 (`n_input`) to get a single vector (row)
# per input example.
embedding_aggregated = tf.reduce_sum(embedding_layer, [1])

layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(
    embedding_aggregated, _weights['h1']), _biases['b1']))

Answer 2

另一种可能的解决方案是：不添加嵌入向量，而是将这些向量连接成一个向量并增加隐藏层中的神经元数量。
我用过：
embedding_aggregated = tf.reshape(embedding_layer, [-1, embedding_size * sequence_length])
此外，我将隐藏层中的神经元数量更改为 embedding_size * sequence_length。观察：使用串联而不是加法也提高了准确性。

张量流 embedding_lookup

Tensorflow embedding_lookup

python

python-2.7

machine-learning

tensorflow

word-embedding