我正在尝试使用TensorFlow学习如何为语音识别构建RNN。首先，我想尝试一下TensorFlow页面TF-RNN上提供的一些示例模型
根据建议，通过完成word2vec模型代码的基本版本，我花了一些时间来了解如何将字ID嵌入到密集表示（Vector Representation）中。我理解tf.nn.embedding_lookup实际上做了什么，直到我实际遇到与TF-RNN ptb_word_lm.py中的二维数组一起使用的相同函数，直到它再也没有意义了。
tf.nn.embedding_lookup做了什么：给定2-d数组params和1-d数组ids，函数tf.nn.embedding_lookup从params中获取行，对应于ids中给出的索引，它与输出的维度保持一致。
尝试使用相同的参数和2-d数组ids时，tf.nn.embedding_lookup会返回3-d数组，而不是2-d，我不明白为什么。
我查阅了Embedding Lookup的手册，但我仍然觉得很难理解分区是如何工作的，以及返回的结果。我最近用tf.nn.embedding_lookup尝试了一些简单的例子，看起来它每次都返回不同的值。这种行为是否归因于分区涉及的随机性？
请帮助我了解tf.nn.embedding_lookup的工作原理，以及word2vec_basic.py和ptb_word_lm.py中使用的原因，即使用它们的目的是什么？
答案 0 :(得分：15)
关于tf.nn.embedding_lookup here的内容已有答案。
当尝试使用相同的参数和2-d数组id时，tf.nn.embedding_lookup返回3-d数组，而不是2-d，我不明白为什么。
如果您有一个ID {1}}的一维列表，该函数将返回一个嵌入列表[0, 1]，其中[embedding_0, embedding_1]是一个形状embedding_0的数组。例如，id列表可以是一批单词。
现在，您有一个矩阵的ids或一系列ID列表。例如，您现在有一批句子，即一批单词列表，即单词列表列表。
如果您的句子列表为：embedding_size（句子1为[[0, 1], [0, 3]]，句子2为[0, 1]），则该函数将计算嵌入矩阵，其形状为{ {1}}并且看起来像：
[0, 3]关于[2, 2, embedding_size]论点，你不必为此烦恼。基本上，如果计算有限，它允许您将嵌入矩阵列表设为[[embedding_0, embedding_1],
[embedding_0, embedding_3]]
而不是1个矩阵。
因此，您可以将形状partition_strategy的嵌入矩阵拆分为十个形状params的矩阵，并将此变量列表作为[1000, embedding_size]传递。参数[100, embedding_size]处理10个矩阵中词汇表（1000个单词）的分布。