在Keras中使用单词嵌入时,我在理解如何获得正确输出时遇到问题 . 我的设置如下:
-
我的输入是批量形状
(batch_size, sequence_length)
. 批处理中的每一行代表一个句子,该单词由单词id表示 . 句子用零填充,使得所有句子都具有相同的长度 . 例如,(3,6)
输入批处理可能如下所示:np.array([[135600],[174580],[138272]])
-
我的目标由输入批次向右移动一步给出 . 因此,对于每个输入字,我想预测下一个字:
np.array([[356000],[745800],[382720]])
-
我将这样的输入批量输入Keras嵌入层 . 我的嵌入大小为100,因此输出将是一个形状
(batch_size, sequence_length, embedding_size)
的3D张量 . 所以在小例子中它(3,6,100)
-
此3D批次送入LSTM层
-
LSTM层的输出被馈送到具有具有softmax激活功能的
(sequence_length)
输出神经元的Dense层 . 所以输出的形状就像输入的形状即(batch_size, sequence_length)
-
作为一种损失,我使用输入和目标批次之间的分类交叉熵
我的问题:
由于softmax激活功能,输出批次将包含概率 . 但我想要的是网络预测整数,使输出适合目标批次的整数 . 如何“解码”输出,以便我知道网络正在预测哪个词?或者我必须以不同方式构建网络?
Edit 1:
我已将输出和目标批次从2D数组更改为3D张量 . 因此,我现在使用的是单热编码的3D目标张量 (batch_size, sequence_length, vocab_size)
,而不是使用具有整数id的目标批量 (batch_size, sequence_length)
. 为了获得与网络输出相同的格式,我将网络更改为输出序列(通过在LSTM层中设置 return_sequences=True
) . 此外,输出神经元的数量已更改为 vocab_size
,因此输出层现在生成一批大小为 (batch_size, sequence_length, vocab_size)
的批次 . 通过这种3D编码,我可以使用 tf.argmax(outputs, 2)
获得预测的单词id . 这种方法目前似乎有效,但我仍然感兴趣是否可以保留2D目标/输出
1 回答
一,解决方案,也许不是最好的,是输出与您的字典大小相同的单热矢量(包括虚拟单词) .
您的最后一个图层必须输出
(sequence_length, dictionary_size+1)
.如果你之前没有添加任何
Flatten()
或Reshape()
,你的密集层就会输出sequence_length
,所以它应该是Dense(dictionary_size+1)
您可以使用函数
keras.utils.to_categorical()
转换单热矢量中的整数,并使用keras.backend.argmax()
将one = hot矢量转换为整数 .不幸的是,这有点打开你的嵌入包 . 如果有可能进行反向嵌入或类似的东西会很好 .