6

tf.nn.embedding_lookup()我正在尝试通过 TensorFlow函数“从头开始”学习 imdb 数据集的单词表示。如果我理解正确，我必须在另一个隐藏层之前设置一个嵌入层，然后当我执行梯度下降时，该层将“学习”该层权重中的单词表示。但是，当我尝试这样做时，我的嵌入层和网络的第一个全连接层之间出现了形状错误。

def multilayer_perceptron(_X, _weights, _biases):
    with tf.device('/cpu:0'), tf.name_scope("embedding"):
        W = tf.Variable(tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),name="W")
        embedding_layer = tf.nn.embedding_lookup(W, _X)    
    layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(embedding_layer, _weights['h1']), _biases['b1'])) 
    layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, _weights['h2']), _biases['b2'])) 
    return tf.matmul(layer_2, weights['out']) + biases['out']

x = tf.placeholder(tf.int32, [None, n_input])
y = tf.placeholder(tf.float32, [None, n_classes])

pred = multilayer_perceptron(x, weights, biases)
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(pred,y))
train_step = tf.train.GradientDescentOptimizer(0.3).minimize(cost)

init = tf.initialize_all_variables()

我得到的错误是：

ValueError: Shapes TensorShape([Dimension(None), Dimension(300), Dimension(128)])
and TensorShape([Dimension(None), Dimension(None)]) must have the same rank
4

2 回答 2

17

出现形状错误是因为您使用二维张量x来索引二维嵌入张量W。将tf.nn.embedding_lookup()（及其近亲tf.gather()）视为将每个整数值i放入x并将其替换为 row W[i, :]。从错误消息中，可以推断出n_input = 300和embedding_size = 128。通常，tf.nn.embedding_lookup()维数的结果等于rank(x) + rank(W) - 1……在这种情况下为 3。当您尝试将此结果乘以_weights['h1']（二维）矩阵时，就会出现错误。

要修复此代码，这取决于您要执行的操作以及将输入矩阵传递给嵌入的原因。一个常见的做法是使用类似的操作将每个输入示例的嵌入向量聚合到每个示例的一行中tf.reduce_sum()。例如，您可能会执行以下操作：

W = tf.Variable(
    tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0) ,name="W")
embedding_layer = tf.nn.embedding_lookup(W, _X)

# Reduce along dimension 1 (`n_input`) to get a single vector (row)
# per input example.
embedding_aggregated = tf.reduce_sum(embedding_layer, [1])

layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(
    embedding_aggregated, _weights['h1']), _biases['b1']))
于 2016-02-09T15:54:13.353 回答
0

另一种可能的解决方案是：不是添加嵌入向量，而是将这些向量连接成一个向量，并增加隐藏层中的神经元数量。
我使用：
embedding_aggregated = tf.reshape(embedding_layer, [-1, embedding_size * sequence_length])
另外，我将隐藏层中的神经元数量更改为embedding_size * sequence_length. 观察：使用串联而不是加法也提高了准确性。

于 2016-09-08T06:25:13.873 回答