TensorFlow Universal Sentence Encoder Lite嵌入的范围有限吗？

Question

从TensorFlow.js中的universal-sentence-encoder开始，我注意到嵌入中数字的范围不是我所期望的。我原本以为[0-1]或[-1,1]之间会有一些分布，但都看不到。

句子“猫很棒！”这是一个可视化效果，其中每个维度都投影到[-0.5，0.5]的比例上：

这是“我不知道该句子的嵌入方式将是什么样”的可视化形式（我尝试的前10个句子的模式相似）：

要进行调试，我查看了demo Colab notebook中是否出现了同样的情况，看起来确实如此。这是我看到的那两个句子的嵌入范围的结果：

# NEW: added this, with different messages
messages = ["cats are great!", "sometimes models are confusing"]
values, indices, dense_shape = process_to_IDs_in_sparse_format(sp, messages)

with tf.Session() as session:
  session.run([tf.global_variables_initializer(), tf.tables_initializer()])
  message_embeddings = session.run(
      encodings,
      feed_dict={input_placeholder.values: values,
                input_placeholder.indices: indices,
                input_placeholder.dense_shape: dense_shape})

  for i, message_embedding in enumerate(np.array(message_embeddings).tolist()):
    print("Message: {}".format(messages[i]))
    print("Embedding size: {}".format(len(message_embedding)))
    message_embedding_snippet = ", ".join(
        (str(x) for x in message_embedding[:3]))
    print("Embedding: [{}, ...]\n".format(message_embedding_snippet))
    # NEW: added this, to show the range of the embedding output
    print("Embedding range: [{}, {}]".format(min(message_embedding), max(message_embedding)))

输出显示：

Message: cats are great!
Embedding range: [-0.05904272198677063, 0.05903803929686546]

Message: sometimes models are confusing
Embedding range: [-0.060731519013643265, 0.06075377017259598]

所以这又不是我期望的-范围比我期望的更窄。我以为这可能是我错过的TF约定，但在TFHub page或guide to text embeddings或paper中看不到它，因此不确定是否要深入研究进入培训代码。

colab笔记本示例代码中有一个示例语句：

  

通用句子编码器嵌入也支持简短的段落。   该段的长度没有严格限制。大概，   时间越长，嵌入就会越“稀释”。

但是对于colab中的所有其他示例，甚至一个单词示例，嵌入的范围都大致相同。

我假设这个范围不仅是任意的，而且对我来说，该范围以0和0为中心确实很有意义，但是我试图理解这个比例是如何实现的。

Answer 1

通用语句编码器的输出是长度为512的向量，L2范数为（大约）1.0。您可以通过计算内积

进行检查

ip = 0
for i in range(512):
  ip +=  message_embeddings[0][i] * message_embeddings[0][i]

print(ip)

> 1.0000000807544893

含义是：

• 大多数值可能在零附近的狭窄范围内
• 向量中最大可能的单个值是1.0-仅在所有其他值都恰好为0时才会发生这种情况。
• 同样，最小的可能值为-1。
• 如果我们取一个长度为512的随机矢量，并将其值均匀分布，然后将其归一化为单位大小，则我们希望看到的值与您所看到的范围相似。

rand_uniform = np.random.uniform(-1, 1, 512)
l2 = np.linalg.norm(rand_uniform)
plt.plot(rand_uniform / l2, 'b.')
axes = plt.gca()
axes.set_ylim([-0.5, 0.5])

从视觉上看，激发的分布看起来并不均匀，而是偏向极端。