如何在 keras LSTM 中使用自定义嵌入？答案

【问题标题】：How to use custom embeddings with keras LSTM?如何在 keras LSTM 中使用自定义嵌入？
【发布时间】：2020-05-14 05:45:53
【问题描述】：

我想将预训练的词嵌入与 LSTM 一起使用。

那是我已经有了表格的模型：

embedding_for_word = model[word]

我有以下形式的数据：

1. "word1 word2 word3" label 0
2. "word4 word5 word6 word7" label 1
3. "word8 word9" label 1
...
..
.

我知道对于标准 LSTM（如果时间步长是固定的）我们可以：

model = Sequential()
model.add(LSTM(N, input_shape=(n_timesteps, 1), return_sequences=True))
model.add(TimeDistributed(Dense(1, activation='sigmoid')))
model.compile(loss='binary_crossentropy', optimizer='adam')

如何顺序输入表单：

batch_1[embedding_word1,
embedding_word2,embedding_word3 .. some_end_of_sequence_character] --> label 0
batch_2[embedding_word4,
embedding_word5,embedding_word,embedding_word7,some_end_of_sequence_character] --> label 1
...
..
.

对于上面的示例，我如何设计数据并创建模型（对于模型，我只是询问输入层的外观）？

假设：

size_of_embeddings = K batch_size = B

【问题讨论】：

标签： python keras nlp lstm recurrent-neural-network

【解决方案1】：

您应该有一些东西可以将缺失的单词填充到序列的长度。可能“句子结尾”嵌入会很有趣。

所以，你需要：

一个具有形状的数组：(total_sentences, words, embedding_size) - 这是X，输入
一个具有形状的数组：(total_sentences, total_labels) - 这是Y，输出

然后您可以使用fit(X, Y)，也许可以使用火车测试拆分。

模型的第一层可以是LSTM(input_shape=(words, embedding_size), ...)。

【讨论】：

keras static 或 dynamic （或上下文化）学习的嵌入？
@A.B，我不明白你的问题。嵌入是可训练的权重。你选择是否训练他们。上下文与框架没有任何关系，但与数据以及您如何训练模型有关。
谢谢您的回复。我对“静态”与“动态”嵌入方法感到困惑。例如，在嵌入层后跟 lstm 进行下一个单词预测，它会被称为动态嵌入方法，因为 lstm 确实强制这些“可训练的权重”具有上下文，对吗？