如何在交互模式下使用 Elmo word embedding 与原始预训练模型（5.5B）

Question

我正在尝试通过本教程学习如何使用 Elmo 嵌入：

https://github.com/allenai/allennlp/blob/master/tutorials/how_to/elmo.md

我特别尝试使用如下所述的交互模式：

$ ipython
> from allennlp.commands.elmo import ElmoEmbedder
> elmo = ElmoEmbedder()
> tokens = ["I", "ate", "an", "apple", "for", "breakfast"]
> vectors = elmo.embed_sentence(tokens)

> assert(len(vectors) == 3) # one for each layer in the ELMo output
> assert(len(vectors[0]) == len(tokens)) # the vector elements 
correspond with the input tokens

> import scipy
> vectors2 = elmo.embed_sentence(["I", "ate", "a", "carrot", "for", 
"breakfast"])
> scipy.spatial.distance.cosine(vectors[2][3], vectors2[2][3]) # cosine 
distance between "apple" and "carrot" in the last layer
0.18020617961883545

我的总体问题是如何确保在原始 5.5B 集（此处描述：https://allennlp.org/elmo）上使用预训练的 elmo 模型？

我不太明白为什么我们必须调用 "assert" 或者为什么我们在矢量输出上使用 [2][3] 索引。

我的最终目的是对所有词嵌入进行平均以获得句子嵌入，所以我想确保我做对了！

感谢您的耐心等待，因为我对这一切还很陌生。

Answer 1

默认情况下，ElmoEmbedder 使用 1 Bil Word 基准测试中预训练模型的原始权重和选项。大约8亿个代币。为确保您使用的是最大的模型，请查看 ElmoEmbedder class 的参数。从这里你可能会发现你可以设置模型的选项和权重：

elmo = ElmoEmbedder(
    options_file='https://s3-us-west-2.amazonaws.com/allennlp/models/elmo/2x4096_512_2048cnn_2xhighway_5.5B/elmo_2x4096_512_2048cnn_2xhighway_5.5B_options.json', 
    weight_file='https://s3-us-west-2.amazonaws.com/allennlp/models/elmo/2x4096_512_2048cnn_2xhighway_5.5B/elmo_2x4096_512_2048cnn_2xhighway_5.5B_weights.hdf5'
)

我从 AllenNLP 提供的预训练模型 table 中获得了这些链接。

assert 是测试和确保变量特定值的便捷方式。这看起来像 a good resource 阅读更多。例如，第一个 assert 语句确保嵌入具有三个输出矩阵。

接下来，我们使用 [i][j] 进行索引，因为模型输出 3 层矩阵（我们选择第 i 个）并且每个矩阵都有 n 个标记（我们选择第 j 个-th) 每个长度为 1024。注意代码如何比较 "apple" 和 "carrot" 的相似性，它们都是索引 j=3 处的第 4 个标记。在示例文档中，我代表以下之一：

The first layer corresponds to the context insensitive token representation, followed by the two LSTM layers. See the ELMo paper or follow up work at EMNLP 2018 for a description of what types of information is captured in each layer.

论文提供了这两个 LSTM 层的详细信息。

最后，如果你有一组句子，使用 ELMO 你不需要对标记向量进行平均。该模型是一个基于字符的 LSTM，它在标记化的整个句子上工作得很好。使用为处理句子集而设计的方法之一：embed_sentences()、embed_batch() 等。More in the code!

如何在交互模式下使用 Elmo word embedding 与原始预训练模型（5.5B）

How to use Elmo word embedding with the original pre-trained model (5.5B) in interactive mode

python

nlp

artificial-intelligence

machine-learning

allennlp