时间戳

首页 > 解决方案 > 替换预训练 Keras 模型中的嵌入层

python - 替换预训练 Keras 模型中的嵌入层

问题描述

我正在尝试替换 Keras NLP 模型中的嵌入层。我已经为一种语言训练了模型，但我想将它转移到另一种我有类似嵌入的语言。我希望通过用目标语言的索引到嵌入映射替换源语言的索引到嵌入映射来实现这一点。

我试过这样做：

from keras.layers import Embedding
from keras.models import load_model

filename = "my_model.h5"
model = load_model(filename)

new_embedding_layer = Embedding(1000, 300, weights=[my_new_embedding_matrix], trainable=False)
new_embedding_layer.build((None, None))
model.layers[0] = new_embedding_layer

当我打印出模型摘要时，这似乎奏效了：新的嵌入层具有正确数量的参数（1000*300=300,000）：

_________________________________________________________________
None
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
embedding_85 (Embedding)     multiple                  300000    
_________________________________________________________________
lstm_1 (LSTM)                (None, 128)               219648    
_________________________________________________________________
dense_1 (Dense)              (None, 23)                2967      
=================================================================
Total params: 522,615
Trainable params: 222,615
Non-trainable params: 300,000

但是，当我使用新模型处理新示例时，似乎什么都没有改变：它仍然接受值大于新词汇大小 1000 的输入序列，并返回与以前相同的预测。

seq = np.array([10000])
model.predict([seq])

我还注意到新嵌入层的输出形状是“多个”而不是 (None, None, 300)。也许这与问题有关？

谁能告诉我我错过了什么？

标签： pythontensorflowkeras

解决方案

如果您嵌入图层具有相同的形状，那么您可以像以前一样简单地加载模型：

from keras.models import load_model

filename = "my_model.h5"
model = load_model(filename)

然后，您可以简单地设置旧嵌入层的权重，而不是构建新的嵌入层：

model.layers[idx_of_your_embedding_layer].set_weights(my_new_embedding_matrix)

推荐阅读