我很难理解1D全局平均池对嵌入层的作用。我知道嵌入层就像查找表。如果我有tf.keras.layers.Embedding(vocab_size=30, embedding_dim=7, input_length=10)
,前馈后的输出是10 rows x 7 columns
的矩阵还是1 row x 7 columns x 10 length
的3D张量?
如果是10 rows x 7 columns
,它是否取每行的平均值并输出一个形状为10 row x 1 columns
的向量?
如果它是1 row x 7 columns x 10 length
,它是否取每个向量的平均值,并输出一个同样形状为10 row x 1 columns
的向量?
对于您的第一个问题:tensorflow中嵌入层的输出是什么
Embedding
层将表示词汇表中唯一单词的序列中的每个整数值映射到7维向量。在下面的示例中,您有两个序列,每个序列有10个整数值。这些整数值的范围可以从0到29,其中30是词汇表的大小。每个序列的每个整数值被映射到一个7维向量,得到输出形状(2, 10, 7)
,其中2是样本数量,10是序列长度,7是每个整数值的维数:
import tensorflow as tf
samples = 2
texts = tf.random.uniform((samples, 10), maxval=30, dtype=tf.int32)
embedding_layer = tf.keras.layers.Embedding(30, 7, input_length=10)
print(embedding_layer(texts))
tf.Tensor(
[[[ 0.0225671 0.02347589 0.00979777 0.00041901 -0.00628462
0.02810872 -0.00962182]
[-0.00848696 -0.04342243 -0.02836052 -0.00517335 -0.0061365
-0.03012114 0.01677728]
[ 0.03311044 0.00556745 -0.00702027 0.03381392 -0.04623893
0.04987461 -0.04816799]
[-0.03521906 0.0379228 0.03005264 -0.0020758 -0.0384485
0.04822161 -0.02092661]
[-0.03521906 0.0379228 0.03005264 -0.0020758 -0.0384485
0.04822161 -0.02092661]
[-0.01790254 -0.0175228 -0.01194855 -0.02171307 -0.0059397
0.02812174 0.01709754]
[ 0.03117083 0.03501941 0.01058724 0.0452967 -0.03717183
-0.04691924 0.04459465]
[-0.0225444 0.01631368 -0.04825303 0.02976335 0.03874404
0.01886607 -0.04535152]
[-0.01405543 -0.01035894 -0.01828993 0.01214089 -0.0163126
0.00249451 -0.03320551]
[-0.00536104 0.04976835 0.03676006 -0.04985759 -0.04882429
0.04079831 -0.04694915]]
[[ 0.02474061 0.04651412 0.01263839 0.02834389 0.01770737
0.027616 0.0391163 ]
[-0.00848696 -0.04342243 -0.02836052 -0.00517335 -0.0061365
-0.03012114 0.01677728]
[-0.02423838 0.00046005 0.01264722 -0.00118362 -0.04956226
-0.00222496 0.00678415]
[ 0.02132202 0.02490019 0.015528 0.01769954 0.03830704
-0.03469712 -0.00817447]
[-0.03713315 -0.01064591 0.0106518 -0.00899752 -0.04772154
0.03767705 -0.02580358]
[ 0.02132202 0.02490019 0.015528 0.01769954 0.03830704
-0.03469712 -0.00817447]
[ 0.00416059 -0.03158562 0.00862025 -0.03387908 0.02394537
-0.00088609 0.01963869]
[-0.0454465 0.03087567 -0.01201812 -0.02580545 0.02585572
-0.00974055 -0.02253721]
[-0.00438716 0.03688161 0.04575384 -0.01561296 -0.0137012
-0.00927494 -0.02183568]
[ 0.0225671 0.02347589 0.00979777 0.00041901 -0.00628462
0.02810872 -0.00962182]]], shape=(2, 10, 7), dtype=float32)
当使用文本数据时,Embedding
层的输出将是两个句子,每个句子由10个单词组成,其中每个单词被映射到7维向量。
如果您想知道每个序列中每个整数的这些随机数来自哪里,默认情况下,Embedding
层使用均匀分布来生成这些值。
对于您的第二个问题:1D全局平均池对嵌入层有什么作用
层GlobalAveragePooling1D
只不过是简单地计算张量中给定维度上的平均值。以下示例计算表示每个序列中一个单词的7个数字的平均值,并为每个单词返回标量,从而得到输出形状(2, 10)
,其中2是样本(句子(的数量,10表示每个单词的平均值。这相当于简单地执行tf.reduce_mean(embedding_layer(texts), axis=-1)
。
import tensorflow as tf
samples = 2
texts = tf.random.uniform((samples, 10), maxval=30, dtype=tf.int32)
embedding_layer = tf.keras.layers.Embedding(30, 7, input_length=10)
average_layer = tf.keras.layers.GlobalAveragePooling1D(data_format = "channels_first")
print(average_layer(embedding_layer(texts)))
GlobalAveragePooling1D
通过取某个维度值的平均值来降低矩阵的维度。
根据keras文档,该层有一个data_format
参数。默认情况下,它是"channels_last"
,这意味着它将保留最后一个通道,并沿另一个通道取平均值。
以下是一个示例模型:
model = Sequential([
Input((10)),
Embedding(30, 7, input_length=10),
GlobalAveragePooling1D()
])
model.summary()
输出:
Model: "sequential_1"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
embedding_1 (Embedding) (None, 10, 7) 210
global_average_pooling1d (G (None, 7) 0
lobalAveragePooling1D)
=================================================================
Total params: 210
Trainable params: 210
Non-trainable params: 0
_________________________________________________________________
正如您所看到的,样本的维度从(10,7(减少到(7(,这意味着它返回给定的嵌入的平均值。
如果你设置data_format = "channels_first"
,就像这里的
model = Sequential([
Input((10)),
Embedding(30, 7, input_length=10),
GlobalAveragePooling1D(data_format = "channels_first")
])
model.summary()
输出:
Model: "sequential_2"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
embedding_1 (Embedding) (None, 10, 7) 210
global_average_pooling1d (G (None, 10) 0
lobalAveragePooling1D)
=================================================================
Total params: 210
Trainable params: 210
Non-trainable params: 0
_________________________________________________________________
这里,样本的维度从(10,7(减少到(10(,这意味着它返回给定的每个嵌入中的值的平均值。什么是没有意义的,因为您可以将embedding_dim
设置为1并获得相同的结果。