python - 当与 one-hot 编码向量一起使用时,如何解释 Keras 中嵌入层的输出形状?
问题描述
我有大量的消费品,每一个都被分配到多个类别。例如,一件夹克可以同时属于“运动”和“户外”类别。
有很多很多类别(约 1000 个),我想创建一个低维嵌入,可以用来比较产品的相似性。
我首先创建了一组代表每个产品的单热编码:
import pandas as pd
df = pd.read_csv("/tmp/one-hot.csv")
df.head()
# Sports Mens Womens Outdoor
# Product 1 1 1 0 1 ...
# Product 2 0 0 1 1 ...
# ...~30000 more products
...然后创建了一个 Keras 嵌入层。由于有 1000 个可能的类别,因此总词汇量为 1000(对吗?)。我投影到 10 个维度,每个产品向量的长度为 1000。
import numpy as np
from keras.models import Sequential
from keras.layers import Embedding, Flatten
model = Sequential()
model.add(Embedding(1000, 10, input_length=1000))
model.compile('rmsprop', 'mse')
model.summary()
# Model: "sequential_17"
# _________________________________________________________________
# Layer (type) Output Shape Param #
# =================================================================
# embedding_17 (Embedding) (None, 1000, 10) 10000
# =================================================================
# Total params: 10,000
# Trainable params: 10,000
# Non-trainable params: 0
output = model.predict(df)
print(output.shape)
print(output.ndim)
# (30000, 1000, 10)
# 3
我正在努力理解输出形状。我曾期望一个二维向量 (30,000, 10),其中每一行是一个产品,并且值是嵌入值。
是错误地设置了嵌入层,还是我误解了输出向量代表什么?
解决方案
Embedding
您的实例有两个问题:
- 嵌入采用整数,而不是 one-hot 编码值。
您设置
input_length=1000
,这意味着一系列整数值,而不是输入的维度。这会影响输入和输出中的时间步数,因此您应该忽略此参数:model.add(Embedding(1000, 10))
推荐阅读
- javascript - 如何通过 Web 应用程序中的链接共享 .ics 文件?
- pytorch - 在::张量到 UIImage
- visual-studio - 如何从汽车中提取 DER 中的证书并创建 X509Certificate2?
- flutter - HitTestBehavior.translucent 不允许其后面的目标也接收事件
- python - 我可以使用 tkinter 为单个页面创建 2 个模块吗?
- python - 对象没有属性“根”
- c++ - 开关正在工作,但在我添加“案例 2:”后它停止工作
- django - PythonAnywhere 上的 Django 部署
- java - Mac - 如何安装 java 17
- spring - Eclipse 在启动时挂起,显示消息为“正在初始化 Spring 工具”