keras理解词嵌入层

Question

从page中，我得到了以下代码：

from numpy import array
from keras.preprocessing.text import one_hot
from keras.preprocessing.sequence import pad_sequences
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Flatten
from keras.layers.embeddings import Embedding
# define documents
docs = ['Well done!',
        'Good work',
        'Great effort',
        'nice work',
        'Excellent!',
        'Weak',
        'Poor effort!',
        'not good',
        'poor work',
        'Could have done better.']
# define class labels
labels = array([1,1,1,1,1,0,0,0,0,0])
# integer encode the documents
vocab_size = 50
encoded_docs = [one_hot(d, vocab_size) for d in docs]
print(encoded_docs)
# pad documents to a max length of 4 words
max_length = 4
padded_docs = pad_sequences(encoded_docs, maxlen=max_length, padding='post')
print(padded_docs)
# define the model
model = Sequential()
model.add(Embedding(vocab_size, 8, input_length=max_length))
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))
# compile the model
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['acc'])
# summarize the model
print(model.summary())
# fit the model
model.fit(padded_docs, labels, epochs=50, verbose=0)
# evaluate the model
loss, accuracy = model.evaluate(padded_docs, labels, verbose=0)
print('Accuracy: %f' % (accuracy*100))

1. 我看着encoded_docs，发现单词done和work的one_hot编码均为2，为什么？是因为page的unicity of word to index mapping non-guaranteed.吗？
2. 我通过命令embeddings得到了embeddings = model.layers[0].get_weights()[0]。在这种情况下，为什么我们得到大小为50的embedding对象？即使两个单词具有相同的one_hot数字，但它们的嵌入方式是否不同？
3. 我如何理解哪个单词是哪个嵌入，即done与work

4. 我还在page处找到了以下代码，可以帮助查找每个单词的嵌入。但是我不知道如何创建word_to_index

   word_to_index是从单词到其索引（例如，单词）的映射（即dict）。 love：69 words_embeddings = {w：embeddings [idx] for w，word_to_index.items（）中的idx

5. 请确保我对para #的理解是正确的。

第一层具有400个参数，因为总字数为50，并且嵌入具有8个维度，因此50 * 8 = 400。

最后一层具有33个参数，因为每个句子最多包含4个单词。因此，由于嵌入尺寸为4 * 8，偏置为1。共33个

_________________________________________________________________
Layer (type)                 Output Shape              Param#   
=================================================================
embedding_3 (Embedding)      (None, 4, 8)              400       
_________________________________________________________________
flatten_3 (Flatten)          (None, 32)                0         
_________________________________________________________________
dense_3 (Dense)              (None, 1)                 33        
=================================================================

1. 最后，如果上面的1是正确的，是否有一种更好的方法来获得嵌入层model.add(Embedding(vocab_size, 8, input_length=max_length)) 而无需进行一次热编码encoded_docs = [one_hot(d, vocab_size) for d in docs]

++++++++++++++++++++++++++++++++++ 更新-提供更新的代码

from numpy import array
from keras.preprocessing.text import one_hot
from keras.preprocessing.sequence import pad_sequences
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Flatten
from keras.layers.embeddings import Embedding
# define documents
docs = ['Well done!',
        'Good work',
        'Great effort',
        'nice work',
        'Excellent!',
        'Weak',
        'Poor effort!',
        'not good',
        'poor work',
        'Could have done better.']
# define class labels
labels = array([1,1,1,1,1,0,0,0,0,0])


from keras.preprocessing.text import Tokenizer

tokenizer = Tokenizer()

#this creates the dictionary
#IMPORTANT: MUST HAVE ALL DATA - including Test data
#IMPORTANT2: This method should be called only once!!!
tokenizer.fit_on_texts(docs)

#this transforms the texts in to sequences of indices
encoded_docs2 = tokenizer.texts_to_sequences(docs)

encoded_docs2

max_length = 4
padded_docs2 = pad_sequences(encoded_docs2, maxlen=max_length, padding='post')
max_index = array(padded_docs2).reshape((-1,)).max()



# define the model
model = Sequential()
model.add(Embedding(max_index+1, 8, input_length=max_length))# you cannot use just max_index 
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))
# compile the model
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['acc'])
# summarize the model
print(model.summary())
# fit the model
model.fit(padded_docs2, labels, epochs=50, verbose=0)
# evaluate the model
loss, accuracy = model.evaluate(padded_docs2, labels, verbose=0)
print('Accuracy: %f' % (accuracy*100))

embeddings = model.layers[0].get_weights()[0]

embeding_for_word_7 = embeddings[14]
index = tokenizer.texts_to_sequences([['well']])[0][0]
tokenizer.document_count
tokenizer.word_index

Answer 1

1-是的，不能保证单词的唯一性，请参见docs：

• 来自one_hot：这是hashing_trick函数的包装...
• 来自hashing_trick：“由于散列函数可能发生的冲突，可能将两个或多个单词分配给相同的索引。冲突的可能性与维数有关哈希空间和不同对象的数量。”

为此最好使用Tokenizer。 （请参阅问题4）

要记住，非常重要，在创建索引时，您应该同时包含所有单词。您不能使用函数来创建包含2个单词的字典，然后再次包含2个单词，然后再创建...。这将创建非常错误的词典。

---

2-嵌入的大小为50 x 8，因为它是在嵌入层中定义的：

Embedding(vocab_size, 8, input_length=max_length)

• vocab_size = 50-这意味着字典中有50个单词
• embedding_size= 8-这是嵌入的真实大小：每个单词由8个数字的向量表示。

---

3-您不知道。它们使用相同的嵌入。

系统将使用相同的嵌入（索引为2的嵌入）。这对于您的模型根本不健康。您应该使用另一种方法来创建问题1中的索引。

---

4-您可以手动创建单词词典，也可以使用Tokenizer类。

手动：

确保删除标点符号，并将所有单词都小写。

只需为您拥有的每个单词创建一个字典：

dictionary = dict()
current_key = 1

for doc in docs:
    for word in doc.split(' '):
        #make sure you remove punctuation (this might be boring)
        word = word.lower()

        if not (word in dictionary):
            dictionary[word] = current_key
            current_key += 1

令牌生成器：

from keras.preprocessing.text import Tokenizer

tokenizer = Tokenizer()

#this creates the dictionary
#IMPORTANT: MUST HAVE ALL DATA - including Test data
#IMPORTANT2: This method should be called only once!!!
tokenizer.fit_on_texts(docs)

#this transforms the texts in to sequences of indices
encoded_docs2 = tokenizer.texts_to_sequences(docs)

查看encoded_docs2的输出：

[[6, 2], [3, 1], [7, 4], [8, 1], [9], [10], [5, 4], [11, 3], [5, 1], [12, 13, 2, 14]]

查看最大索引：

padded_docs2 = pad_sequences(encoded_docs2, maxlen=max_length, padding='post')
max_index = array(padded_docs2).reshape((-1,)).max()

因此，您的vocab_size应该为15（否则，您将有很多无用且无害的嵌入行）。请注意，0没有用作索引。它将显示在填充中！！！

  

不要再次“适合”令牌生成器！仅使用texts_to_sequences()或其他与“拟合”无关的方法here。

提示：有时在文本中包含end_of_sentence个单词可能会很有用。

提示2：：保存Tokenizer以便以后使用是一个好主意（因为它具有由fit_on_texts创建的特定数据定义）。 / p>

#save:
text_to_save = tokenizer.to_json()

#load:
from keras.preprocessing.text import tokenizer_from_json
tokenizer = tokenizer_from_json(loaded_text)

---

5-嵌入参数正确。

密度：

Dense的参数始终基于上一层（在这种情况下为Flatten）。

公式为：previous_output * units + units

这将导致32 (from the Flatten) * 1 (Dense units) + 1 (Dense bias=units) = 33

扁平化：

它将所有先前的尺寸乘以= 8 * 4。
Embedding输出lenght = 4和embedding_size = 8。

---

6-Embedding层与您的数据及其预处理方式无关。

Embedding层的大小仅为50 x 8，因为您已经这样说过。 （请参阅问题2）

当然，还有更好的预处理数据的方法-请参阅问题4。

这将使您选择更好的vocab_size（字典大小）。

看到单词的嵌入：

获取嵌入矩阵：

embeddings = model.layers[0].get_weights()[0]

选择任何单词索引：

embeding_for_word_7 = embeddings[7]

仅此而已。

如果您使用的是分词器，请使用以下命令获取单词index：

index = tokenizer.texts_to_sequences([['word']])[0][0]