对于只有 10000 个单词的字典，真正需要什么嵌入层 output_dim？

Question

我正在训练一个 RNN，它的单词特征集非常少，大约 10,000 个。我计划在添加 RNN 之前从嵌入层开始，但我不清楚真正需要什么维度。我知道我可以尝试不同的值（32、64 等），但我宁愿先有一些直觉。例如，如果我使用 32 维嵌入向量，则每个维度只需要 3 个不同的值即可完全描述空间 (32**3>>10000)。

或者，对于这么少单词的空间，是否真的需要使用嵌入层，或者直接从输入层直接进入 RNN 是否更有意义？

Answer 1

这是一个没有好答案的好问题。您当然应该使用嵌入层，而不仅仅是直接使用LSTM/GRU。然而，嵌入层的潜在维度应该“在保持峰值验证性能的同时尽可能大”。对于您大小的字典，128 或 256 应该是一个合理的决定。我怀疑你会看到截然不同的表现。

但是，将真正影响您在小型数据集上的结果的东西是不使用预训练的词嵌入。这将导致您的嵌入粗暴地过度拟合您的训练数据。我推荐使用GLove 词嵌入。下载手套数据后，您可以使用它们来初始化嵌入层的权重，然后嵌入层将根据您的用例微调权重。这是我用于 Keras 的 GloVe 嵌入的一些代码。它可以让您加载不同大小的它们，还可以缓存矩阵，以便第二次运行时快速。

class GloVeSize(Enum):

    tiny = 50
    small = 100
    medium = 200
    large = 300


__DEFAULT_SIZE = GloVeSize.small


def get_pretrained_embedding_matrix(word_to_index,
                                    vocab_size=10000,
                                    glove_dir="./bin/GloVe",
                                    use_cache_if_present=True,
                                    cache_if_computed=True,
                                    cache_dir='./bin/cache',
                                    size=__DEFAULT_SIZE,
                                    verbose=1):

    """
    get pre-trained word embeddings from GloVe: https://github.com/stanfordnlp/GloVe
    :param word_to_index: a word to index map of the corpus
    :param vocab_size: the vocab size
    :param glove_dir: the dir of glove
    :param use_cache_if_present: whether to use a cached weight file if present
    :param cache_if_computed: whether to cache the result if re-computed
    :param cache_dir: the directory of the project's cache
    :param size: an enumerated choice of GloVeSize
    :param verbose: the verbosity level of logging
    :return: a matrix of the embeddings
    """
    def vprint(*args, with_arrow=True):
        if verbose > 0:
            if with_arrow:
                print(">>", *args)
            else:
                print(*args)

    if not os.path.exists(cache_dir):
        os.makedirs(cache_dir)

    cache_path = os.path.join(cache_dir, 'glove_%d_embedding_matrix.npy' % size.value)
    if use_cache_if_present and os.path.isfile(cache_path):
        return np.load(cache_path)
    else:
        vprint('computing embeddings', with_arrow=True)
        embeddings_index = {}
        size_value = size.value
        f = open(os.path.join(glove_dir, 'glove.6B.' + str(size_value) + 'd.txt'),
                 encoding="ascii", errors='ignore')

        for line in f:
            values = line.split()
            word = values[0]
            coefs = np.asarray(values[1:], dtype='float32')
            embeddings_index[word] = coefs

        f.close()
        vprint('Found', len(embeddings_index), 'word vectors.')

        embedding_matrix = np.random.normal(size=(vocab_size, size.value))

        non = 0
        for word, index in word_to_index.items():
            embedding_vector = embeddings_index.get(word)
            if embedding_vector is not None:
                embedding_matrix[index] = embedding_vector
            else:
                non += 1

        vprint(non, "words did not have mappings")
        vprint(with_arrow=False)

        if cache_if_computed:
            np.save(cache_path, embedding_matrix)

return embedding_matrix

然后使用该权重矩阵实例化您的嵌入层：

 embedding_size = GloVeSize.small
    embedding_matrix = get_pretrained_embedding_matrix(data.word_to_index,
size=embedding_size)

embedding = Embedding(
     output_dim=self.embedding_size,
     input_dim=self.vocabulary_size + 1,
     input_length=self.input_length,
     mask_zero=True,
     weights=[np.vstack((np.zeros((1, self.embedding_size)),
                         self.embedding_matrix))],
     name='embedding'
)(input_layer)