使用skip-thoughts提取句子特征

我搜集了两种方法来实现，一种方法基于theano，另一种方法基于tensorflow。

方法一参考：

【1】https://github.com/ryankiros/skip-thoughts

【2】https://blog.csdn.net/qq_33373858/article/details/83928249

方法二参考：

【3】https://github.com/tensorflow/models/tree/master/research/skip_thoughts#encoding-sentences

方法一详解：

1. 从github【1】上下载skip-thoughts的代码。
2. 根据【1】中要求安装依赖库。（theano不用必须是Theano 0.7，我的1.0.4也可以）
3. 在下好的文件目录下添加data文件夹。
4. 根据作者提供的链接，下载所需文件，并全部存放到data目录***意这里的pkl文件下载地址发生了一些错误，只能下载txt文件，可以在作者github的issue中找新的link.
5. 修改skipthoughts.py文件内的路径：
6. 在data同目录下新建文件测试：（encoder.py）,得到4800维向量。

 

使用上述方法可以提取个别sentence的特征，但是如果需要提取大量文本特征时，上述方法使用的cpu太费时间了，而且theano使用GPU加速有些麻烦，我还没有实现。

 

方法二详情：

1.首先，在【3】中下载skip-thoughts的代码。

2.然后，安装必需的依赖库:

3.下载的skip-thoughts可以放在tensorflow的模型文件examples下面，也可以直接使用，接下来介绍直接使用的方法。

4.新建自己的工程，将下载的skip-thoughts-master更名为skip-thoughts之后放在工程文件夹下。在skip-thoughts文件夹下新建pre-trained文件夹用于保存预训练模型，将下载的skip-thoughts的预训练模型（需要下单向和双向的两个文件）解压缩之后放在该目录下。

5.写自己的测试文件：

这里需要注意的是，checkpoint的路径文件只写到500008.

6.在encoder_manager.py的前面添加使用的GPU：

7.如果使用的是单向的，则只需要在测试文件中加入单向预训练模型：

如果使用的是双向的，则需要加入两个预训练模型，也需要调用两次load_model:

 

8.run测试文件。