特征列预训练嵌入

Question

如何使用预先训练的嵌入与tf.feature_column.embedding_column。

我在tf.feature_column.embedding_column中使用了tf.feature_column.embedding_column嵌入。但不起作用。错误是

错误是：

ValueError:初始化程序必须是可调用的，如果指定的话。Column_name的嵌入: itemx

这是我的密码：

weight, vocab_size, emb_size = _create_pretrained_emb_from_txt(FLAGS.vocab, 
FLAGS.pre_emb)

W = tf.Variable(tf.constant(0.0, shape=[vocab_size, emb_size]),
                trainable=False, name="W")
embedding_placeholder = tf.placeholder(tf.float32, [vocab_size, emb_size])
embedding_init = W.assign(embedding_placeholder)

sess = tf.Session()
sess.run(embedding_init, feed_dict={embedding_placeholder: weight})

itemx_vocab = tf.feature_column.categorical_column_with_vocabulary_file(
    key='itemx',
    vocabulary_file=FLAGS.vocabx)

itemx_emb = tf.feature_column.embedding_column(itemx_vocab,
                                               dimension=emb_size,
                                               initializer=W,
                                               trainable=False)

我尝试过初始化= lambda w:W.如下所示：

itemx_emb = tf.feature_column.embedding_column(itemx_vocab,
                                               dimension=emb_size,
                                               initializer=lambda w:W,
                                               trainable=False)

它报告了错误：

TypeError：()得到一个意外的关键字参数'dtype‘

Answer 1

我在这里也有一个问题，https://github.com/tensorflow/tensorflow/issues/20663

最后，我找到了一个正确的解决方法。尽管如此。我不清楚为什么上面的答案无效！如果你知道这个问题，谢谢你给我一些建议！

好的，这是当前的解决方案。实际上从这里开始，Feature Columns Embedding lookup

代码：

itemx_vocab = tf.feature_column.categorical_column_with_vocabulary_file(
    key='itemx',
    vocabulary_file=FLAGS.vocabx)

embedding_initializer_x = tf.contrib.framework.load_embedding_initializer(
    ckpt_path='model.ckpt',
    embedding_tensor_name='w_in',
    new_vocab_size=itemx_vocab.vocabulary_size,
    embedding_dim=emb_size,
    old_vocab_file='FLAGS.vocab_emb',
    new_vocab_file=FLAGS.vocabx
)
itemx_emb = tf.feature_column.embedding_column(itemx_vocab,
                                               dimension=128,
                                               initializer=embedding_initializer_x,
                                               trainable=False)

Answer 2

还可以将数组包装为如下函数：

some_matrix = np.array([[0,1,2],[0,2,3],[5,6,7]])

def custom_init(shape, dtype):
    return some_matrix

embedding_feature = tf.feature_column.embedding_column(itemx_vocab, 
                                                       dimension=3, 
                                                       initializer=custom_init
                                                       )

这是一种麻木不仁的方式，但能做好这项工作。