Tensorflow的tf.contrib.layers.embed_sequence和tf.nn.embedding_lookup之间的区别？

Question

我目前正在研究CNN，以使用嵌入层，2个CNN层以及最后一个softmax输出层将各个类[0-14]中的句子分类。我一直获得100％的训练准确度和90％的测试准确度，并且很确定我的网络出了点问题。因此，我对问题进行了故障排除，发现是导致问题的原因是嵌入层，即更改初始化方式导致了更准确的结果-约89％的培训准确度〜34-49％的测试准确度。这使我思考两种方法之间的差异，因为这两种方法都会产生[-1，MAX_DOCUMENT_LENGTH，EMBEDDING_SIZE，1]的输出张量。

以下演示了代码：

工作代码：

with tf.name_scope("embedding"):
        init_embeddings = tf.random_uniform([n_words, EMBEDDING_SIZE])
        embeddings = tf.get_variable("embeddings", initializer=init_embeddings)
        x_emb = tf.nn.embedding_lookup(embeddings, x)
        x_emb = tf.expand_dims(x_emb, -1)

无效的代码：

x_emb = tf.reshape(tf.contrib.layers.embed_sequence(
  x, vocab_size=n_words, embed_dim=EMBEDDING_SIZE), [-1, MAX_DOCUMENT_LENGTH, EMBEDDING_SIZE, 1])