Question

我正在关注此页面上的示例：https://machinelearningmastery.com/use-word-embedding-layers-deep-learning-keras/

使用嵌入层训练嵌入数据的单词，如下所示：

model = Sequential()
model.add(Embedding(100, 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())

模型从学习从数据嵌入的单词开始，对于每个单词，创建一个8维向量。

我想做的是，在学习了这个嵌入之后，我想通过在每个向量的末尾添加另外两个维度来改变矩阵（或每个单词的向量）。我将有另一个过程来计算这两个维度的值。

无论如何我能做到吗？

非常感谢提前

Answer 1

是的 - 这是可能的。尝试使用以下过程执行此操作：

提取体重矩阵：

weight_matrix = model.layers[0].get_weights()[0] # Matrix shape (100, 8).

附加你的矢量：

new_weight_matrix = your_append(weight_matrix)
# Be sure that new_weight_matrix has shape of (100, 10)

构建模型的调整副本：

new_model = Sequential()
new_model.add(Embedding(100, 10, input_length=max_length)) # Notice a change
new_model.add(Flatten())
new_model.add(Dense(1, activation='sigmoid'))

（可选）冻结图层：如果要冻结嵌入集：

new_model = Sequential()
new_model.add(Embedding(100, 10, input_length=max_length
    trainable=False)) # Notice a change
new_model.add(Flatten())
new_model.add(Dense(1, activation='sigmoid'))

编译新模型：

new_model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['acc'])

keras - embedding layer，我可以在模型的管道中更改训练的嵌入层的值吗？

1 个答案: