Что делает функция tf.nn.embedding_lookup?


159
tf.nn.embedding_lookup(params, ids, partition_strategy='mod', name=None)

Я не могу понять обязанность этой функции. Это как справочная таблица? Что означает вернуть параметры, соответствующие каждому идентификатору (в идентификаторах)?

Например, в skip-gramмодели, если мы используем tf.nn.embedding_lookup(embeddings, train_inputs), то для каждого train_inputона находит соответствующее вложение?


"Это как таблица поиска?" Tldr - Да. Для каждого x (идентификаторы) дайте мне ассоциировать y (params).
Дэвид Рафаэли

Ответы:


147

embedding_lookupФункция извлекает строки paramsтензора. Поведение аналогично использованию индексации с массивами в numpy. Например

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] 

paramsАргументом может быть также список тензоров, в этом случае idsон будет распределен среди тензоров. Например, если список 3 тензоров [2, 64], поведение по умолчанию является то , что они будут представлять ids: [0, 3], [1, 4], [2, 5].

partition_strategyуправляет тем, как idsраспределены среди списка. Разделение полезно для более масштабных задач, когда матрица может быть слишком большой, чтобы ее можно было сохранить в одной части.


21
Почему они называют это так, а не так select_rows?
Ленар Хойт

12
@LenarHoyt, потому что эта идея поиска происходит из Word Embeddings. и «строки» представляют собой представления (вложения) слов в векторное пространство и полезны сами по себе. Часто более чем фактическая сеть.
Линдон Уайт

2
Как тензорный поток изучает структуру вложения? Эта функция тоже управляет этим процессом?
vgoklani

19
@vgoklani, нет, embedding_lookupпросто предоставляет удобный (и параллельный) способ получения вложений, соответствующих id в ids. paramsТензор, как правило , переменная тс , что узнали как часть процесса обучения - переменная тс , чьи компоненты используются, прямо или косвенно, в функции потерь (например , как tf.l2_loss) , который оптимизирован с помощью оптимизатора (например , как tf.train.AdamOptimizer).
Шобхит

5
@ Rafał Józefowicz Почему «по умолчанию они представляют идентификаторы: [0, 3], [1, 4], [2, 5].»? Могли бы вы объяснить?
Аэрин

219

Да, эту функцию трудно понять, пока вы не поймете смысл.

В простейшем виде он похож на tf.gather. Возвращает элементы в paramsсоответствии с указанными индексами ids.

Например (если вы внутри tf.InteractiveSession())

params = tf.constant([10,20,30,40])
ids = tf.constant([0,1,2,3])
print tf.nn.embedding_lookup(params,ids).eval()

будет возвращаться [10 20 30 40], потому что первый элемент (индекс 0) params 10, второй элемент params (индекс 1) 20и т. д.

Так же,

params = tf.constant([10,20,30,40])
ids = tf.constant([1,1,3])
print tf.nn.embedding_lookup(params,ids).eval()

вернется [20 20 40].

Но embedding_lookupэто больше, чем это. paramsАргумент может быть список тензоров, а не один тензор.

params1 = tf.constant([1,2])
params2 = tf.constant([10,20])
ids = tf.constant([2,0,2,1,2,3])
result = tf.nn.embedding_lookup([params1, params2], ids)

В таком случае индексы, указанные в ids, соответствуют элементам тензоров в соответствии со стратегией секционирования , где стратегией секционирования по умолчанию является 'mod'.

В стратегии «mod» индекс 0 соответствует первому элементу первого тензора в списке. Индекс 1 соответствует первому элементу второго тензора. Индекс 2 соответствует первому элементу третьего тензора и т. Д. Просто индекс iсоответствует первому элементу (i + 1) -го тензора, для всех индексов 0..(n-1)предполагается, что params является списком nтензоров.

Теперь индекс nне может соответствовать тензору n + 1, потому что список paramsсодержит только nтензоры. Итак индексn соответствует второму элементу первого тензора. Аналогично, индекс n+1соответствует второму элементу второго тензора и т. Д.

Итак, в коде

params1 = tf.constant([1,2])
params2 = tf.constant([10,20])
ids = tf.constant([2,0,2,1,2,3])
result = tf.nn.embedding_lookup([params1, params2], ids)

Индекс 0 соответствует первому элементу первого тензора: 1

Индекс 1 соответствует первому элементу второго тензора: 10

индекс 2 соответствует второму элементу первого тензора: 2

Индекс 3 соответствует второму элементу второго тензора: 20

Таким образом, результатом будет:

[ 2  1  2 10  2 20]

8
примечание: вы можете использовать partition_strategy='div', и получите [10, 1, 10, 2, 10, 20], т.е. id=1это второй элемент первого параметра. В основном: partition_strategy=mod(по умолчанию) id%len(params) : индекс параметра в params id//len(params): индекс элемента в вышеприведенном параметре, partition_strategy=*div*наоборот
Mario

3
@ asher-stern Не могли бы вы объяснить, почему стратегия "мод" по умолчанию? Кажется, что стратегия "div" больше похожа на стандартную тензорную нарезку (select-row по заданным индексам). Есть ли проблемы с производительностью в случае "div"?
Светлов.Всеволод

46

Да, цель tf.nn.embedding_lookup()функции - выполнить поиск в матрице вложения и вернуть вложения (или, проще говоря, векторное представление) слов.

Простая встраиваемая матрица (из shape:) vocabulary_size x embedding_dimensionбудет выглядеть следующим образом. (т.е. каждое слово будет представлено вектором чисел; отсюда и название word2vec )


Матрица встраивания

the 0.418 0.24968 -0.41242 0.1217 0.34527 -0.044457 -0.49688 -0.17862
like 0.36808 0.20834 -0.22319 0.046283 0.20098 0.27515 -0.77127 -0.76804
between 0.7503 0.71623 -0.27033 0.20059 -0.17008 0.68568 -0.061672 -0.054638
did 0.042523 -0.21172 0.044739 -0.19248 0.26224 0.0043991 -0.88195 0.55184
just 0.17698 0.065221 0.28548 -0.4243 0.7499 -0.14892 -0.66786 0.11788
national -1.1105 0.94945 -0.17078 0.93037 -0.2477 -0.70633 -0.8649 -0.56118
day 0.11626 0.53897 -0.39514 -0.26027 0.57706 -0.79198 -0.88374 0.30119
country -0.13531 0.15485 -0.07309 0.034013 -0.054457 -0.20541 -0.60086 -0.22407
under 0.13721 -0.295 -0.05916 -0.59235 0.02301 0.21884 -0.34254 -0.70213
such 0.61012 0.33512 -0.53499 0.36139 -0.39866 0.70627 -0.18699 -0.77246
second -0.29809 0.28069 0.087102 0.54455 0.70003 0.44778 -0.72565 0.62309 

Я разбил вышеупомянутую матрицу встраивания и загрузил только слова, в vocabкоторых будет наш словарь и соответствующие векторы в embмассиве.

vocab = ['the','like','between','did','just','national','day','country','under','such','second']

emb = np.array([[0.418, 0.24968, -0.41242, 0.1217, 0.34527, -0.044457, -0.49688, -0.17862],
   [0.36808, 0.20834, -0.22319, 0.046283, 0.20098, 0.27515, -0.77127, -0.76804],
   [0.7503, 0.71623, -0.27033, 0.20059, -0.17008, 0.68568, -0.061672, -0.054638],
   [0.042523, -0.21172, 0.044739, -0.19248, 0.26224, 0.0043991, -0.88195, 0.55184],
   [0.17698, 0.065221, 0.28548, -0.4243, 0.7499, -0.14892, -0.66786, 0.11788],
   [-1.1105, 0.94945, -0.17078, 0.93037, -0.2477, -0.70633, -0.8649, -0.56118],
   [0.11626, 0.53897, -0.39514, -0.26027, 0.57706, -0.79198, -0.88374, 0.30119],
   [-0.13531, 0.15485, -0.07309, 0.034013, -0.054457, -0.20541, -0.60086, -0.22407],
   [ 0.13721, -0.295, -0.05916, -0.59235, 0.02301, 0.21884, -0.34254, -0.70213],
   [ 0.61012, 0.33512, -0.53499, 0.36139, -0.39866, 0.70627, -0.18699, -0.77246 ],
   [ -0.29809, 0.28069, 0.087102, 0.54455, 0.70003, 0.44778, -0.72565, 0.62309 ]])


emb.shape
# (11, 8)

Встраивание поиска в TensorFlow

Теперь мы увидим, как мы можем выполнить поиск вложения для произвольного входного предложения.

In [54]: from collections import OrderedDict

# embedding as TF tensor (for now constant; could be tf.Variable() during training)
In [55]: tf_embedding = tf.constant(emb, dtype=tf.float32)

# input for which we need the embedding
In [56]: input_str = "like the country"

# build index based on our `vocabulary`
In [57]: word_to_idx = OrderedDict({w:vocab.index(w) for w in input_str.split() if w in vocab})

# lookup in embedding matrix & return the vectors for the input words
In [58]: tf.nn.embedding_lookup(tf_embedding, list(word_to_idx.values())).eval()
Out[58]: 
array([[ 0.36807999,  0.20834   , -0.22318999,  0.046283  ,  0.20097999,
         0.27515   , -0.77126998, -0.76804   ],
       [ 0.41800001,  0.24968   , -0.41242   ,  0.1217    ,  0.34527001,
        -0.044457  , -0.49687999, -0.17862   ],
       [-0.13530999,  0.15485001, -0.07309   ,  0.034013  , -0.054457  ,
        -0.20541   , -0.60086   , -0.22407   ]], dtype=float32)

Посмотрите, как мы получили вложения из нашей исходной матрицы вложения (со словами), используя индексы слов в нашем словаре.

Обычно такой поиск встраивания выполняется первым слоем (называемым уровнем внедрения ), который затем передает эти внедрения уровням RNN / LSTM / GRU для дальнейшей обработки.


Примечание : как правило, словарь также имеет специальныйunk токен. Таким образом, если токен из нашего входного предложения отсутствует в нашем словаре, то в unkматрице внедрения будет найден соответствующий индекс .


PS Обратите внимание, что embedding_dimensionэто гиперпараметр, который нужно настроить для своего приложения, но популярные модели, такие как Word2Vec и GloVe, используют300вектор измерения для представления каждого слова.

Бонус Чтение word2vec модель скип-грамм


17

Вот изображение, изображающее процесс встраивания поиска.

Изображение: встраивание процесса поиска

Вкратце, он получает соответствующие строки уровня внедрения, заданные списком идентификаторов, и предоставляет его в качестве тензора. Это достигается с помощью следующего процесса.

  1. Определить заполнитель lookup_ids = tf.placeholder([10])
  2. Определите слой встраивания embeddings = tf.Variable([100,10],...)
  3. Определить операцию тензорного потока embed_lookup = tf.embedding_lookup(embeddings, lookup_ids)
  4. Получить результаты, запустив lookup = session.run(embed_lookup, feed_dict={lookup_ids:[95,4,14]})

6

Когда тензор параметров имеет большие размеры, идентификаторы относятся только к верхнему размеру. Может быть, это очевидно для большинства людей, но я должен запустить следующий код, чтобы понять это:

embeddings = tf.constant([[[1,1],[2,2],[3,3],[4,4]],[[11,11],[12,12],[13,13],[14,14]],
                          [[21,21],[22,22],[23,23],[24,24]]])
ids=tf.constant([0,2,1])
embed = tf.nn.embedding_lookup(embeddings, ids, partition_strategy='div')

with tf.Session() as session:
    result = session.run(embed)
    print (result)

Просто пробуя стратегию div и для одного тензора, это не имеет значения.

Вот вывод:

[[[ 1  1]
  [ 2  2]
  [ 3  3]
  [ 4  4]]

 [[21 21]
  [22 22]
  [23 23]
  [24 24]]

 [[11 11]
  [12 12]
  [13 13]
  [14 14]]]

3

Другой способ взглянуть на это - предположить, что выровняли тензоры в одномерном массиве, а затем выполняете поиск

(например, Tensor0 = [1,2,3], Tensor1 = [4,5,6], Tensor2 = [7,8,9]

Выровненный тензор будет следующим [1,4,7,2,5,8,3,6,9]

Теперь, когда вы сделаете поиск [0,3,4,1,7], вы получите [1,2,5,4,6]

(i, e) если значение поиска равно 7, например, и у нас есть 3 тензора (или тензор с 3 строками), тогда,

7/3: (Напоминание 1, Коэффициент 2) Так что будет показан 2-й элемент Tensor1, который равен 6


2

Поскольку эта функция меня тоже заинтриговала, я дам свои два цента.

То, как я это вижу в двумерном случае, является просто умножением матрицы (его легко обобщить в другие измерения).

Рассмотрим словарь с N символов. Затем вы можете представить символ x в виде вектора измерений Nx1 с горячим кодированием.

Но вы хотите представить этот символ не как вектор Nx1, а как вектор с размерами Mx1, который называется y .

Итак, чтобы преобразовать x в y , вы можете использовать и встраивать матрицу E с размерами MxN:

y = E x .

По сути, это то, что делает tf.nn.embedding_lookup (params, ids, ...), с нюансом, что ids - это просто одно число, представляющее позицию 1 в векторе с горячим кодированием x .


0

Добавление к ответу Ашера Стерна paramsинтерпретируется как разбиение большого тензора вложения. Это может быть один тензор, представляющий полный тензор вложения, или список X тензоров, имеющих одинаковую форму, за исключением первого измерения, представляющего тензор вложения с осколками.

Функция tf.nn.embedding_lookupнаписана с учетом того, что вложение (params) будет большим. Поэтому нам нужно partition_strategy.

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.