Question

在Tensorflow的this tutorial file中，找到以下行（第45行）以加载word2vec“extension”：

word2vec = tf.load_op_library(os.path.join(os.path.dirname(os.path.realpath(__file__)), 'word2vec_ops.so'))

我使用的是Windows 10，正如this SO question中指出的那样，.so - 文件适用于Linux。

在Windows上加载的等效扩展名是什么？

另外，我不明白为什么在安装时Tensorflow中包含了很多其他内容，但必须在本地构建Word2Vec。在文档Installing TensorFlow on Windows中，没有提到必须构建这些扩展。

这是一个旧的做法，现在已经改变，一切都随装置一起提供？如果是，那么该更改如何应用于示例中的word2vec模块？

Answer 1

是的，它已经改变了！ Tensorflow现在包含一个辅助函数tf.nn.embedding_lookup，可以很容易地嵌入您的数据。

您可以通过执行this之类的操作来使用它，即

embeddings = tf.Variable(
    tf.random_uniform([vocabulary_size, embedding_size], -1.0, 1.0))

nce_weights = tf.Variable(
  tf.truncated_normal([vocabulary_size, embedding_size],
                      stddev=1.0 / math.sqrt(embedding_size)))
nce_biases = tf.Variable(tf.zeros([vocabulary_size]))

# Placeholders for inputs
train_inputs = tf.placeholder(tf.int32, shape=[batch_size])
train_labels = tf.placeholder(tf.int32, shape=[batch_size, 1])

embed = tf.nn.embedding_lookup(embeddings, train_inputs)

# Compute the NCE loss, using a sample of the negative labels each time.
loss = tf.reduce_mean(
  tf.nn.nce_loss(weights=nce_weights,
                 biases=nce_biases,
                 labels=train_labels,
                 inputs=embed,
                 num_sampled=num_sampled,
                 num_classes=vocabulary_size))
# We use the SGD optimizer.
optimizer = tf.train.GradientDescentOptimizer(learning_rate=1.0).minimize(loss)

for inputs, labels in generate_batch(...):
  feed_dict = {train_inputs: inputs, train_labels: labels}
  _, cur_loss = session.run([optimizer, loss], feed_dict=feed_dict)

完整代码为here。

总的来说，我会犹豫是否过分依赖tensorflow/models回购。部分内容已经过时了。主tensorflow/tensorflow回购更好地维护。

在Windows上使用带有Tensorflow的Word2vec

1 个答案: