我正在尝试按照 TensorFlow 网站上的 Language Modeling 教程进行操作。我看到它运行并且成本下降并且效果很好，但是我看不到任何方法可以从模型中实际获得预测。我尝试按照this answer 处的说明进行操作，但从 session.run 返回的张量是浮点值，例如 0.017842259，并且字典将单词映射到整数，因此不起作用。
如何从张量流模型中获得预测词？
编辑：我在四处搜索后发现了这个explanation，我只是不确定在这个例子的上下文中 x 和 y 是什么。他们似乎没有在这个例子中使用与解释中相同的约定。
【问题讨论】：
标签： python tensorflow word2vec
您提到的张量是loss，它定义了网络的训练方式。对于预测，您需要访问张量 probabilities，其中包含下一个单词的概率。如果这是分类问题，您只需执行argmax 即可获得最高概率。但是，为了也给较低概率的词一个生成的机会，经常使用某种采样。
编辑：我假设您使用的代码是this。在这种情况下，如果您查看第 148 行 (logits)，只需对其应用 softmax 函数即可将其转换为概率——如 tensorflow 网站中的伪代码所示。希望这会有所帮助。
【讨论】：
session.run 的结果是一个 3 元素列表，其元素如下： cost：我假设的 float32 是模型的平均成本，eval_op：用于评估模型的函数，以及 final_state：LSTMStateTuples 列表
所以在浏览了一堆其他类似的帖子后，我发现了这一点。首先，文档中解释的代码与 GitHub 存储库上的代码不一样。当前代码的工作原理是使用内部数据初始化模型，而不是在模型运行时将数据传递给模型。
所以基本上为了完成我想要做的事情，我将我的代码还原为提交9274f5a（对 reader.py 也做同样的事情）。然后我按照this post 中的步骤在我的run_epoch 函数中获取probabilities 张量。此外，我跟随this answer 将vocabulary 传递给我的main 函数。从那里，我使用 vocabulary = {v: k for k, v in vocabulary.items()} 反转 dict 并将其传递给 run_epoch。
最后，我们可以通过运行current_word = vocabulary[np.argmax(prob, 1)]得到run_epoch中的预测词，其中prob是从session.run()返回的张量
编辑：这样还原代码不应该是一个永久的解决方案，我绝对建议使用上面的@Prophecies 答案来获得probabilities 张量。但是，如果您想获得单词映射，则需要像我在这里所做的那样传递词汇表。
【讨论】：