2020-07-20

NLP学习—embeddings

Text data must be encoded as numbers to be used as input or output for machine learning and deep learning models.

第一步把text split into words,Words are called tokens and the process of splitting text into tokens is called tokenization

 in a word, define the examples, encode them as integers, then pad the sequences to be the same length.

另一方面,可以考虑使用tokenizer class for preparing text documents for deep learning,the tokenizer must be constructed and then fit on either raw text documents or integer encoded text documents.

重点:word embeddings

Word embeddings can be learned from text data and reused among projects. They can also be learned as part of fitting a neural network on text data.

A word embedding is a class of approaches for representing words and documents using a dense vector representation

in a word,嵌入层将正整数(下标)转换为具有固定大小的向量,如[[4],[20]]->[[0.25,0.1],[0.6,-0.2]]

相反,在嵌入中,单词由密集向量表示,其中向量表示单词在连续向量空间中的投影。单词在向量空间中的位置是从文本中得知的,并基于使用时围绕该单词的单词。一个单词在学习向量空间中的位置被称为它的嵌入。

单词嵌入可以作为深度学习模型的一部分来学习。这可能是一种较慢的方法,但会将模型定制为特定的训练数据集,The Embedding layer is initialized with random weights and will learn an embedding for all of the words in the training dataset.

embedding layer是一个非常灵活的层,可用于多种方式,比如:a、It can be used alone to learn a word embedding that can be saved and used in another model later;b、It can be used as part of a deep learning model where the embedding is learned along with the model itself;c、It can be used to load a pre-trained word embedding model, a type of transfer learning.

The Embedding layer is defined as the first hidden layer of a network,The Embedding layer has weights that are learned. If you save your model to file, this will include weights for the Embedding layer,for example,

e = Embedding(200,32,input_length=50), integer 200 encoded words from 0 to 199, inclusive, a vector space of 32 dimensions in which words will be embedded, and input documents that have 50 words each。

The output of the Embedding layer is a 2D vector with one embedding for each word in the input sequence of words (input document), If you wish to connect a Dense layer directly to an Embedding layer, you must first flatten the 2D output matrix to a 1D vector using the Flatten layer.

代码参考我自己的github:NLP learning.ipynb

参考:https://blog.csdn.net/weixin_42078618/article/details/82999906_一篇用插图表示的简明说明

关于预训练的embedding,一般有GloVe、word2vec两个,那么两者的区别参见:https://zhuanlan.zhihu.com/p/31023929

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,294评论 6 497
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,780评论 3 391
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 161,001评论 0 351
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,593评论 1 289
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,687评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,679评论 1 294
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,667评论 3 415
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,426评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,872评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,180评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,346评论 1 345
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,019评论 5 340
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,658评论 3 323
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,268评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,495评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,275评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,207评论 2 352