1.embedding_lookup()函數
調用參數
tf.nn.embedding_lookup(params, ids, partition_strategy='mod', name=None)
params
參數:可以是一個二位矩陣,也可以是張量的列表,在這種情況下,ids
表示多個張量的索引組合。例如,給定ids
:[0, 3]
,[1, 4]
,[2, 5],得到的張量都是[2, 64]的列表。
ids參數:按照ids從params中檢索對應的行。
partition_strategy參數:可以
控制ids
在列表中的分配方式。當矩陣可能太大而無法合爲一體時,分區策略對於較大規模的問題很有用,例如(假設您在tf.InteractiveSession()
內),將返回[10 20 30 40]
,因爲params的第一個元素(索引0)是10
,params的第二個元素(索引1)是20
,依此類推。
params = tf.constant([10,20,30,40])
ids = tf.constant([0,1,2,3])
print tf.nn.embedding_lookup(params,ids).eval()
功能:實現將id特徵映射成一個低維稠密向量
embedding_lookup
函數檢索params
張量的行。該行爲類似於對numpy中的數組使用索引。例如:
matrix = np.random.random([1024, 64]) # 64-dimensional embeddings
ids = np.array([0, 5, 17, 33])
print matrix[ids] # prints a matrix of shape [4, 64]
2.embedding_lookup()函數中的輸入矩陣如何得到?
embedding_lookup理論上就是用矩陣相乘實現的,就可以看成一個特殊的“全連接層”。
假設embedding權重矩陣是一個[vocab_size, embed_size]的稠密矩陣W,vocab_size是需要embed的所有item的個數(比如:所有詞的個數,所有商品的個數),embed_size是映射後的向量長度。
所謂embedding_lookup(W, id1),可以想像成一個只在id1位爲1的[1, vocab_size]的one_hot向量,與[vocab_size, embed_size]的W矩陣相乘,結果是一個[1, embed_size]的向量,它就是id1對應的embedding向量,實際上就是W矩陣的第id1行。
以上過程只是前代,因爲W一般是隨機初始化的,是待優化的變量。因此,embedding_lookup除了要完成以上矩陣相乘的過程(實現成“抽取id對應的行”),還要完成自動求導,以實現對W的更新。
def forward(self, X):
"""
:param X: SparseInput
:return: [batch_size, embed_size]
"""
self._last_input = X
# output: [batch_size, embed_size]
output = np.zeros((X.n_total_examples, self._W.shape[1]))
for example_idx, feat_id, feat_val in X.iterate_non_zeros():
embedding = self._W[feat_id, :]
output[example_idx, :] += embedding * feat_val
return output
def backward(self, prev_grads):
"""
:param prev_grads: [batch_size, embed_size]
:return: dw
"""
dW = {}
for example_idx, feat_id, feat_val in self._last_input.iterate_non_zeros():
# [1,embed_size]
grad_from_one_example = prev_grads[example_idx, :] * feat_val
if feat_id in dW:
dW[feat_id] += grad_from_one_example
else:
dW[feat_id] = grad_from_one_example
return dW
參考:
1.https://www.zhihu.com/question/48107602?sort=created
2.github中embedinglayer的實現:https://github.com/stasi009/NumpyWDL/blob/master/embedding_layer.py
3.TensorFlow中文社區文檔:http://www.tensorfly.cn/tfdoc/api_docs/python/nn.html#embedding_lookup