Объясните пример: как внедряются слои в keras

Я не понимаю слой встраивания Keras. Хотя есть много статей, объясняющих это, я все еще в замешательстве. Например, приведенный ниже код взят из анализа настроений imdb:

top_words = 5000
max_review_length = 500
embedding_vecor_length = 32    

model = Sequential()
model.add(Embedding(top_words, embedding_vecor_length, input_length=max_review_length))
model.add(LSTM(100))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())
model.fit(X_train, y_train, nb_epoch=3, batch_size=64)

В этом коде, что именно делает слой встраивания? Что будет выходной слой встраивания? Было бы хорошо, если бы кто-то мог объяснить это с некоторыми примерами, может быть!

Ответ 1

Встраиваемый слой создает вложения векторов из входных слов (я сам по-прежнему не понимаю математику), аналогично word2vec или предварительно рассчитанной перчатке.

Прежде чем перейти к вашему коду, давайте сделаем короткий пример.

texts = ['This is a text','This is not a text']

Сначала мы превращаем эти предложения в вектор целых чисел, где каждое слово является числом, назначенным слову в словаре, а порядок вектора создает последовательность слов.

from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences 
from keras.utils import to_categorical

max_review_length = 6 #maximum length of the sentence
embedding_vecor_length = 3
top_words = 10

#num_words is tne number of unique words in the sequence, if there more top count words are taken
tokenizer = Tokenizer(top_words)
tokenizer.fit_on_texts(texts)
sequences = tokenizer.texts_to_sequences(texts)
word_index = tokenizer.word_index
input_dim = len(word_index) + 1
print('Found %s unique tokens.' % len(word_index))

#max_review_length is the maximum length of the input text so that we can create vector [... 0,0,1,3,50] where 1,3,50 are individual words
data = pad_sequences(sequences, max_review_length)

print('Shape of data tensor:', data.shape)
print(data)

[Out:] 
'This is a text' --> [0 0 1 2 3 4]
'This is not a text' --> [0 1 2 5 3 4]

Теперь вы можете ввести их в слой внедрения

from keras.models import Sequential
from keras.layers import Embedding

model = Sequential()
model.add(Embedding(top_words, embedding_vecor_length, input_length=max_review_length,mask_zero=True))
model.compile(optimizer='adam', loss='categorical_crossentropy')
output_array = model.predict(data)

output_array содержит массив размеров (2, 6, 3): 2 ввода или предложения в моем случае, 6 - максимальное количество слов в каждом обзоре (max_review_length) и 3 - embedding_vecor_length. Например.

array([[[-0.01494285, -0.007915  ,  0.01764857],
    [-0.01494285, -0.007915  ,  0.01764857],
    [-0.03019481, -0.02910612,  0.03518577],
    [-0.0046863 ,  0.04763055, -0.02629668],
    [ 0.02297204,  0.02146662,  0.03114786],
    [ 0.01634104,  0.02296363, -0.02348827]],

   [[-0.01494285, -0.007915  ,  0.01764857],
    [-0.03019481, -0.02910612,  0.03518577],
    [-0.0046863 ,  0.04763055, -0.02629668],
    [-0.01736645, -0.03719328,  0.02757809],
    [ 0.02297204,  0.02146662,  0.03114786],
    [ 0.01634104,  0.02296363, -0.02348827]]], dtype=float32)

В вашем случае у вас есть список из 5000 слов, который может создать просмотр максимум 500 слов (больше будет обрезано) и превратить каждый из этих 500 слов в вектор размером 32.

Вы можете получить сопоставление между индексами слов и векторами внедрения, выполнив:

model.layers[0].get_weights()

В приведенном ниже верхнем слове было 10, поэтому мы имеем сопоставление 10 слов, и вы можете видеть, что сопоставление для 0, 1, 2, 3, 4 и 5 равно output_array выше.

[array([[-0.01494285, -0.007915  ,  0.01764857],
    [-0.03019481, -0.02910612,  0.03518577],
    [-0.0046863 ,  0.04763055, -0.02629668],
    [ 0.02297204,  0.02146662,  0.03114786],
    [ 0.01634104,  0.02296363, -0.02348827],
    [-0.01736645, -0.03719328,  0.02757809],
    [ 0.0100757 , -0.03956784,  0.03794377],
    [-0.02672029, -0.00879055, -0.039394  ],
    [-0.00949502, -0.02805768, -0.04179233],
    [ 0.0180716 ,  0.03622523,  0.02232374]], dtype=float32)]

Как упоминалось в https://stats.stackexchange.com/info/270546/how-does-keras-embedding-layer-work, эти векторы инициируются как случайные и оптимизируются оптимизаторами сетевого сетевого взаимодействия, как и любой другой параметр сети.