如何在具有 LSTM 层的 tensorflow 集线器中使用嵌入模型？

Question

我正在学习 TensorFlow 2，通过 TF hub 教程进行文本分类。它使用了 TF hub 的嵌入模块。我想知道是否可以修改模型以包含 LSTM 层。这是我尝试过的：

train_data, validation_data, test_data = tfds.load(
    name="imdb_reviews",
    split=('train[:60%]', 'train[60%:]', 'test'),
    as_supervised=True)
embedding = "https://tfhub.dev/google/tf2-preview/gnews-swivel-20dim/1"
hub_layer = hub.KerasLayer(embedding, input_shape=[],
                           dtype=tf.string, trainable=True)

model = tf.keras.Sequential()
model.add(hub_layer)
model.add(tf.keras.layers.Embedding(10000, 50))
model.add(tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(64)))
model.add(tf.keras.layers.Dense(64, activation='relu'))
model.add(tf.keras.layers.Dense(1))
model.summary()

model.compile(optimizer='adam',
              loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),
              metrics=['accuracy'])

history = model.fit(train_data.shuffle(10000).batch(512),
                    epochs=10,
                    validation_data=validation_data.batch(512),
                    verbose=1)

results = model.evaluate(test_data.batch(512), verbose=2)

for name, value in zip(model.metrics_names, results):
  print("%s: %.3f" % (name, value))

我不知道如何从 hub_layer 获取词汇量。所以我只放了10000。运行时会抛出这个异常：

tensorflow.python.framework.errors_impl.InvalidArgumentError:  indices[480,1] = -6 is not in [0, 10000)
     [[node sequential/embedding/embedding_lookup (defined at .../learning/tensorflow/text_classify.py:36) ]] [Op:__inference_train_function_36284]

Errors may have originated from an input operation.
Input Source operations connected to node sequential/embedding/embedding_lookup:
 sequential/embedding/embedding_lookup/34017 (defined at Library/Frameworks/Python.framework/Versions/3.7/lib/python3.7/contextlib.py:112)

Function call stack:
train_function

我卡在这里。我的问题是：

1. 我应该如何使用 TF hub 的嵌入模块来馈送 LSTM 层？嵌入查找的设置似乎存在一些问题。

2. 如何从中心层获取词汇量？

谢谢

Answer 1

终于找到了将预训练嵌入链接到 LSTM 或其他层的方法。只需在此处发布步骤，以防有人觉得有帮助。

嵌入层必须是模型中的第一层。 （hub_layer 与 Embedding 层相同。）不太直观的部分是任何输入到 hub 层的文本都将仅转换为一个形状为 [embedding_dim] 的向量。您需要进行句子拆分和标记化，以确保模型的任何输入都是数组形式的序列。例如，“让我们准备数据。”应转换为 [["let"],["us"],["prepare"], ["the"], ["data"]]。如果您使用批处理模式，您还需要填充序列。

此外，如果您的训练标签是字符串，您需要将目标标记转换为 int。模型的输入是形状为 [batch, seq_length] 的字符串数组，中心嵌入层将其转换为 [batch, seq_length, embed_dim]。 （如果添加 LSTM 或其他 RNN 层，该层的输出为 [batch, seq_length, rnn_units]。）输出密集层将输出文本索引而不是实际文本。文本索引以“tokens.txt”的形式存储在下载的 tfhub 目录中。您可以加载文件并将文本转换为相应的索引。否则你无法计算损失。