TensorFlow embedding_lookup答案

【问题标题】：Tensorflow embedding_lookupTensorFlow embedding_lookup
【发布时间】：2016-05-19 14:58:02
【问题描述】：

我正在尝试通过 TensorFlow tf.nn.embedding_lookup() 函数“从头开始”学习 imdb 数据集的单词表示。如果我理解正确，我必须在另一个隐藏层之前设置一个嵌入层，然后当我执行梯度下降时，该层将“学习”该层权重中的单词表示。但是，当我尝试这样做时，我的嵌入层和网络的第一个全连接层之间出现了形状错误。

def multilayer_perceptron(_X, _weights, _biases):
    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")
        embedding_layer = tf.nn.embedding_lookup(W, _X)    
    layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(embedding_layer, _weights['h1']), _biases['b1'])) 
    layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, _weights['h2']), _biases['b2'])) 
    return tf.matmul(layer_2, weights['out']) + biases['out']

x = tf.placeholder(tf.int32, [None, n_input])
y = tf.placeholder(tf.float32, [None, n_classes])

pred = multilayer_perceptron(x, weights, biases)
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred,y))
train_step = tf.train.GradientDescentOptimizer(0.3).minimize(cost)

init = tf.initialize_all_variables()

我得到的错误是：

ValueError: Shapes TensorShape([Dimension(None), Dimension(300), Dimension(128)])
and TensorShape([Dimension(None), Dimension(None)]) must have the same rank

【问题讨论】：

标签： python python-2.7 machine-learning tensorflow word-embedding

【解决方案1】：

形状错误的出现是因为您使用二维张量x 来索引二维嵌入张量W。将tf.nn.embedding_lookup()（及其近亲tf.gather()）想象成将x 中的每个整数值i 替换为W[i, :] 行。从错误消息中，可以推断出n_input = 300 和embedding_size = 128。一般来说，tf.nn.embedding_lookup() 的结果等于rank(x) + rank(W) - 1… 在这种情况下，3。当您尝试将此结果乘以_weights['h1'] 时会出现错误，_weights['h1'] 是一个（二维）矩阵。

要修复此代码，这取决于您要尝试做什么，以及为什么要将输入矩阵传递给嵌入。一种常见的做法是使用tf.reduce_sum() 之类的操作将每个输入示例的嵌入向量聚合到每个示例的一行中。例如，您可能会执行以下操作：

W = tf.Variable(
    tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0) ,name="W")
embedding_layer = tf.nn.embedding_lookup(W, _X)

# Reduce along dimension 1 (`n_input`) to get a single vector (row)
# per input example.
embedding_aggregated = tf.reduce_sum(embedding_layer, [1])

layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(
    embedding_aggregated, _weights['h1']), _biases['b1']))

【讨论】：

谢谢！我认为 tf.nn.reduce_sum 应该是 tf.reduce_sum ？当你选择降低嵌入层的维度时，你是如何在“n_input=300”和“embedding_size=128”之间选择要降低的？
你的错字是对的——在上面更正了，谢谢！我选择沿n_input 维度减少，因为这似乎更有可能与您的问题相匹配，并且我认为（例如）输入的顺序并不重要。对于词袋类型的问题，这样做是相当典型的。您可以减少embedding_size，但我认为这会丢失嵌入中的大量信息，因此它可能无法正常工作。

【解决方案2】：

另一种可能的解决方案是：不添加嵌入向量，而是将这些向量连接成一个向量，并增加隐藏层中的神经元数量。
我用过：
embedding_aggregated = tf.reshape(embedding_layer, [-1, embedding_size * sequence_length])
另外，我将隐藏层中的神经元数量更改为embedding_size * sequence_length。观察：使用串联而不是加法也提高了准确性。

【讨论】：