在 TensorFlow 中使用预训练的词嵌入（word2vec 或 Glove）

Question

我最近查看了convolutional text classification 的一个有趣的实现。然而，我查看过的所有 TensorFlow 代码都使用随机（未预训练）嵌入向量，如下所示：

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")
    self.embedded_chars = tf.nn.embedding_lookup(W, self.input_x)
    self.embedded_chars_expanded = tf.expand_dims(self.embedded_chars, -1)

有人知道如何使用 Word2vec 或 GloVe 预训练词嵌入的结果而不是随机的吗？

Answer 1

使用 tensorflow 版本 2，如果您使用嵌入层，这将非常容易

X=tf.keras.layers.Embedding(input_dim=vocab_size,
                            output_dim=300,
                            input_length=Length_of_input_sequences,
                            embeddings_initializer=matrix_of_pretrained_weights
                            )(ur_inp)

Answer 2

2.0 兼容答案：有许多预训练嵌入，由 Google 开发并已开源。

其中一些是Universal Sentence Encoder (USE), ELMO, BERT 等。在您的代码中重用它们非常容易。

重用Pre-Trained Embedding、Universal Sentence Encoder的代码如下所示：

  !pip install "tensorflow_hub>=0.6.0"
  !pip install "tensorflow>=2.0.0"

  import tensorflow as tf
  import tensorflow_hub as hub

  module_url = "https://tfhub.dev/google/universal-sentence-encoder/4"
  embed = hub.KerasLayer(module_url)
  embeddings = embed(["A long sentence.", "single-word",
                      "http://example.com"])
  print(embeddings.shape)  #(3,128)

有关由 Google 开发和开源的预训练嵌入的更多信息，请参阅 TF Hub Link。

Answer 3

我也面临嵌入问题，所以我用数据集写了详细的教程。 这里我想补充一下我试过的你也可以试试这个方法，

import tensorflow as tf

tf.reset_default_graph()

input_x=tf.placeholder(tf.int32,shape=[None,None])

#you have to edit shape according to your embedding size


Word_embedding = tf.get_variable(name="W", shape=[400000,100], initializer=tf.constant_initializer(np.array(word_embedding)), trainable=False)
embedding_loopup= tf.nn.embedding_lookup(Word_embedding,input_x)

with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        for ii in final_:
            print(sess.run(embedding_loopup,feed_dict={input_x:[ii]}))

这里有详细的教程Ipython example如果你想从头开始理解，看看。

Answer 4

您可以通过多种方式在 TensorFlow 中使用预训练嵌入。假设您在一个名为 embedding 的 NumPy 数组中进行了嵌入，其中包含 vocab_size 行和 embedding_dim 列，并且您想要创建一个张量 W 可用于对 tf.nn.embedding_lookup() 的调用。

1. 只需将W 创建为以embedding 为值的tf.constant()：

   W = tf.constant(embedding, name="W")
   

   这是最简单的方法，但内存效率不高，因为tf.constant() 的值在内存中存储了多次。由于embedding 可能非常大，因此您应该只将这种方法用于玩具示例。

2. 将W 创建为tf.Variable 并通过tf.placeholder() 从NumPy 数组中对其进行初始化：

   W = tf.Variable(tf.constant(0.0, shape=[vocab_size, embedding_dim]),
                   trainable=False, name="W")
   
   embedding_placeholder = tf.placeholder(tf.float32, [vocab_size, embedding_dim])
   embedding_init = W.assign(embedding_placeholder)
   
   # ...
   sess = tf.Session()
   
   sess.run(embedding_init, feed_dict={embedding_placeholder: embedding})
   

   这避免了在图中存储embedding 的副本，但它确实需要足够的内存来一次在内存中保存矩阵的两个副本（一个用于 NumPy 数组，一个用于tf.Variable）。请注意，我假设您希望在训练期间保持嵌入矩阵不变，因此 W 是使用 trainable=False 创建的。

3. 如果嵌入是作为另一个 TensorFlow 模型的一部分进行训练的，您可以使用 tf.train.Saver 从另一个模型的检查点文件加载值。这意味着嵌入矩阵可以完全绕过 Python。按照选项 2 创建 W，然后执行以下操作：

   W = tf.Variable(...)
   
   embedding_saver = tf.train.Saver({"name_of_variable_in_other_model": W})
   
   # ...
   sess = tf.Session()
   embedding_saver.restore(sess, "checkpoint_filename.ckpt")
   

Answer 5

我使用这种方法来加载和共享嵌入。

W = tf.get_variable(name="W", shape=embedding.shape, initializer=tf.constant_initializer(embedding), trainable=False)

Answer 6

@mrry 的答案是不正确的，因为它会引发每次运行网络时覆盖嵌入权重，因此如果您采用小批量方法来训练网络，那么您就是在覆盖嵌入权重。因此，在我看来，预训练嵌入的正确方法是：

embeddings = tf.get_variable("embeddings", shape=[dim1, dim2], initializer=tf.constant_initializer(np.array(embeddings_matrix))