Tensorflow embedding_lookup

Question

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，该层将在该层的权重中“学习”一个单词表示。但是，当我尝试这样做时，我在嵌入层和网络的第一个完全连接的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

Answer 1

出现形状错误是因为您使用二维张量x来索引二维嵌入张量W。可以将tf.nn.embedding_lookup() (以及它的近亲tf.gather())看作是将x中的每个整数值i替换为行W[i, :]。从错误消息中，可以推断出n_input = 300和embedding_size = 128。通常，维度的数量等于rank(x) + rank(W) - 1…的结果在本例中，3.当您尝试将此结果乘以_weights['h1']时出现错误，这是(二维)矩阵。

要修复这段代码，它取决于您正在尝试做什么，以及您为什么要将输入矩阵传递给嵌入。一种常见的做法是使用像tf.reduce_sum()这样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，您可以执行以下操作：

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'])) 

Answer 2

另一种可能的解决方案是:不是添加嵌入向量，而是将这些向量连接成单个向量，并增加隐藏层中的神经元数量。

我使用：

embedding_aggregated = tf.reshape(embedding_layer, [-1, embedding_size * sequence_length])

此外，我将隐藏层中的神经元数量更改为embedding_size * sequence_length。观察:使用连接而不是加法也提高了准确性。