TensorFlow Universal Sentence Encoder Lite 嵌入的范围有限？

Question

从 TensorFlow.js 中的 universal-sentence-encoder 开始，我注意到嵌入中的数字范围不是我所期望的。我期待在 [0-1] 或 [-1,1] 之间有一些分布，但没有看到其中任何一个。

对于句子“猫很棒！”这是一个可视化，其中每个维度都投影到 [-0.5, 0.5] 的比例上：

这是“我想知道这个句子的嵌入是什么”的相同类型的可视化（我尝试的前 10 个句子的模式相似）：

为了调试，我查看了demo Colab notebook中是否出现了同样的事情，似乎是这样。如果我看到这两个句子的嵌入范围，这就是我看到的：

# NEW: added this, with different messages
messages = ["cats are great!", "sometimes models are confusing"]
values, indices, dense_shape = process_to_IDs_in_sparse_format(sp, messages)

with tf.Session() as session:
  session.run([tf.global_variables_initializer(), tf.tables_initializer()])
  message_embeddings = session.run(
      encodings,
      feed_dict={input_placeholder.values: values,
                input_placeholder.indices: indices,
                input_placeholder.dense_shape: dense_shape})

  for i, message_embedding in enumerate(np.array(message_embeddings).tolist()):
    print("Message: {}".format(messages[i]))
    print("Embedding size: {}".format(len(message_embedding)))
    message_embedding_snippet = ", ".join(
        (str(x) for x in message_embedding[:3]))
    print("Embedding: [{}, ...]\n".format(message_embedding_snippet))
    # NEW: added this, to show the range of the embedding output
    print("Embedding range: [{}, {}]".format(min(message_embedding), max(message_embedding)))

输出显示：

Message: cats are great!
Embedding range: [-0.05904272198677063, 0.05903803929686546]

Message: sometimes models are confusing
Embedding range: [-0.060731519013643265, 0.06075377017259598]

所以这又不是我所期待的 - 范围比我预期的要窄。我认为这可能是我错过的 TF 约定，但在 TFHub page 或 guide to text embeddings 或 paper 中看不到它，所以如果不深入研究培训代码，我不确定在哪里可以查看。

colab notebook 示例代码有一个例句：

Universal Sentence Encoder 嵌入还支持短段落。 段落的长度没有硬性限制。大致上， 嵌入越“稀释”的时间越长。

但是对于 colab 中的所有其他示例，甚至是一个单词示例，嵌入的范围大致相同。

我假设这个范围不仅是任意的，而且范围以零为中心并且很小对我来说确实有意义，但我试图了解这个比例是如何形成的。

Answer 1

通用句子编码器的输出是一个长度为 512 的向量，其 L2 范数（大约）为 1.0。您可以通过计算内积来检查这一点

ip = 0
for i in range(512):
  ip +=  message_embeddings[0][i] * message_embeddings[0][i]

print(ip)

> 1.0000000807544893

含义是：

• 大多数值可能位于以零为中心的狭窄范围内
• 向量中最大可能的单个值是 1.0 - 只有当所有其他值都恰好为 0 时才会发生这种情况。
• 同样，可能的最小值是 -1。
• 如果我们采用长度为 512 且值均匀分布的随机向量，然后将其归一化为单位幅度，我们希望看到的值范围与您看到的相似。

rand_uniform = np.random.uniform(-1, 1, 512)
l2 = np.linalg.norm(rand_uniform)
plt.plot(rand_uniform / l2, 'b.')
axes = plt.gca()
axes.set_ylim([-0.5, 0.5])

从视觉上看，激发的分布看起来并不均匀，而是偏向极端。