我正在阅读关于神经网络的tensorflow教程，我遇到了架构部分，这有点令人困惑。有人能解释我为什么他在这个代码中使用以下设置吗
# input shape is the vocabulary count used for the movie reviews
(10,000 words) vocab_size = 10000 model = keras.Sequential() model.add(keras.layers.Embedding(vocab_size, 16)) model.add(keras.layers.GlobalAveragePooling1D()) model.add(keras.layers.Dense(16, activation=tf.nn.relu)) model.add(keras.layers.Dense(1, activation=tf.nn.sigmoid)) model.summary()
Vocab_size？嵌入的值为16？关于单位的选择，我得到了最后一个密集层背后的直觉，因为它是一个二元分类(1(，但为什么第二层有16个单位？嵌入层中的16个单元和第一致密层中的十六个单元相关吗？他们应该平等吗？
如果有人能解释这个段落太
第一层是嵌入层。该层采用整数编码的词汇表，并查找每个单词索引的嵌入向量。这些向量是在模型训练时学习的。矢量为输出数组添加一个维度。生成的维度为：(批处理、序列、嵌入(。
来源：分类电影评论：二元分类
- vocab_size：语料库中的所有单词(在本例中为IMDB(根据其频率进行排序，并提取其前10000个单词。其余词汇将被忽略。E.g：这真的是Fancyyyyy将转换为==>[8 7 9]。正如您可能猜到的，单词Fancyyyyy被忽略，因为它不在前10000个单词中
-
pad_sequences：将所有句子转换为相同大小。例如，在训练语料库中，文档长度是不同的。所以所有这些都转换为seq_len=256。此步骤之后，您的输出为
[Batch_size * seq_len] -
嵌入：每个单词转换为一个16维的向量。作为结果，该步骤的输出是大小为
[Batch_size * seq_len * embedding_dim]的张量 -
GlobalAveragePooling1D：将大小为
[Batch_size * seq_len * embedding_dim]的序列转换为[Batch_size * embedding_dim] - 单位：密集层(MLP层(的输出。它将CCD_ 5转化为CCD_
第一层是vocab_size，因为每个单词都表示为词汇表的索引。例如，如果输入单词是"单词"，这是词汇表中的第500个单词，则输入是长度为vocab_size的向量，除索引500处的一个外，其余均为零。这通常被称为"一次性"表示。
嵌入层本质上取这个巨大的输入向量，并将其压缩为一个较小的向量(在这种情况下，长度为16(，该向量对单词的一些信息进行编码。与任何其他神经网络层一样，通过训练来学习特定的嵌入权重。我建议你多读单词嵌入。16的长度在这里有点任意，但可以调整。可以去掉这个嵌入层，但模型的表达能力会降低(它只是逻辑回归，这是一个线性模型(。
然后，正如你所说，最后一层只是基于嵌入来预测单词的类别。