该线程接近:tensorflow word2vec 示例中权重和偏差的目的是什么?
但是我对此的解释仍然遗漏了一些东西:https ://github.com/tensorflow/tensorflow/blob/r1.2/tensorflow/examples/tutorials/word2vec/word2vec_basic.py
据我了解,您向网络提供字典中目标词和上下文词的索引。
_, loss_val = session.run([optimizer, loss], feed_dict=feed_dict)
average_loss += loss_val
然后查找批输入以返回开始时随机生成的向量
embeddings = tf.Variable(
tf.random_uniform([vocabulary_size, embedding_size], -1.0, 1.0))
# Look up embeddings for inputs.
embed = tf.nn.embedding_lookup(embeddings, train_inputs)
然后优化器调整权重和偏差以最好地预测标签,而不是 num_sampled 随机选择
loss = tf.reduce_mean(
tf.nn.nce_loss(weights=nce_weights,
biases=nce_biases,
labels=train_labels,
inputs=embed,
num_sampled=num_sampled,
num_classes=vocabulary_size))
# Construct the SGD optimizer using a learning rate of 1.0.
optimizer = tf.train.GradientDescentOptimizer(1.0).minimize(loss)
我的问题如下:
嵌入变量在哪里更新?. 在我看来,我可以通过神经网络运行单词的索引,或者仅获取
final_embeddings
向量并使用它来获得最终结果。但我不明白embeddings
它的随机初始化在哪里发生了变化。如果我要绘制这个计算图,它会是什么样子(或者更好的是,实际这样做的最佳方法是什么)?
这是一次运行批处理中的所有上下文/目标对吗?还是一个一个?