python - 如果输入值大于 input_dim，keras 嵌入层如何工作？

嵌入层使用形状为 (input_dim, output_dim) 的查找矩阵。其中输入要学习的暗号嵌入向量。当我传递索引时，图层通过嵌入矩阵中的索引获取向量。

感谢您指出我对 input_length 和 input_dim 感到困惑。

首先，如果使用 tensorflow.keras 会报错。

张量流

from tensorflow.keras.models import Model
from tensorflow.keras.layers import Embedding, Input
import numpy as np

ip = Input(shape = (3,))
emb = Embedding(1, 2, trainable=True, mask_zero=True)(ip)

model = Model(ip, emb)
input_array = np.array([[5, 3, 1], [1, 2, 3]])

model.compile("rmsprop", "mse")

output_array = model.predict(input_array)

print(output_array)

print(output_array.shape)

model.summary()

但是如果我使用 keras 2.3.1，我不会收到任何错误。

喀拉拉邦 2.3.1

from keras.models import Model
from keras.layers import Embedding, Input
import numpy as np

ip = Input(shape = (3,))
emb = Embedding(1, 2, trainable=True, mask_zero=True)(ip)

model = Model(ip, emb)
input_array = np.array([[5, 3, 1], [1, 2, 3]])

model.compile("rmsprop", "mse")

output_array = model.predict(input_array)

print(output_array)

print(output_array.shape)

model.summary()

那么，keras 坏了吗？首先要注意的是 keras 和 tensorflow.keras 对嵌入层有不同的实现。为了验证这一点，让我们去 keras 嵌入层。

https://github.com/keras-team/keras/blob/master/keras/layers/embeddings.py#L16

现在让我们看看调用函数。

    def call(self, inputs):
        if K.dtype(inputs) != 'int32':
            inputs = K.cast(inputs, 'int32')
        out = K.gather(self.embeddings, inputs)
        return out

注意：如果您想要 keras 2.3.1 的确切源代码，请访问此处并下载源代码：https ://github.com/keras-team/keras/releases

但是如果我们去实现 tensorflow，那就不一样了。

https://github.com/tensorflow/tensorflow/blob/master/tensorflow/python/ops/embedding_ops.py

只是为了验证一下，调用函数的写法不同。

  def call(self, inputs):
    dtype = K.dtype(inputs)
    if dtype != 'int32' and dtype != 'int64':
      inputs = math_ops.cast(inputs, 'int32')
    out = embedding_ops.embedding_lookup(self.embeddings, inputs)
    return out

现在，我们可以更深入地挖掘不同的行为并查明 keras 不会引发错误而 tensorflow.keras 会引发错误的来源，但让我们简单说明一下。keras嵌入层做错了吗？

让我们像以前一样设计一个简单的网络并观察权重矩阵。

from keras.models import Model
from keras.layers import Embedding, Input
import numpy as np

ip = Input(shape = (3,))
emb = Embedding(1, 2, trainable=True, mask_zero=True)(ip)

model = Model(ip, emb)
input_array = np.array([[5, 3, 1], [1, 2, 3]])

model.compile("rmsprop", "mse")

output_array = model.predict(input_array)

print(output_array)

print(output_array.shape)

model.summary()

该模型给出以下输出。

[[[0. 0.]
  [0. 0.]
  [0. 0.]]

 [[0. 0.]
  [0. 0.]
  [0. 0.]]]
(2, 3, 2)
Model: "model_18"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_21 (InputLayer)        (None, 3)                 0         
_________________________________________________________________
embedding_33 (Embedding)     (None, 3, 2)              2         
=================================================================
Total params: 2
Trainable params: 2
Non-trainable params: 0

好的，我们得到了一堆零，但默认的 weight_initializer 不是零！

所以，现在让我们观察一下权重矩阵。

import keras.backend as K

w = model.layers[1].get_weights()
print(w)

[array([[ 0.03680499, -0.04904002]], dtype=float32)]

事实上，它并非全为零。

那么，为什么我们会得到零呢？

让我们更改对模型的输入。

由于 input_dim = 1 的词汇表中唯一的词索引为 0。让我们将 0 作为输入之一传递。

from keras.models import Model
from keras.layers import Embedding, Input
import numpy as np

ip = Input(shape = (3,))
emb = Embedding(1, 2, trainable=True, mask_zero=True)(ip)

model = Model(ip, emb)
input_array = np.array([[5, 0, 1], [1, 2, 0]])

model.compile("rmsprop", "mse")

output_array = model.predict(input_array)

print(output_array)

print(output_array.shape)

model.summary()

现在，我们得到了我们通过 0 的位置的非零向量。

[[[ 0.          0.        ]
  [-0.04339869 -0.04900574]
  [ 0.          0.        ]]

 [[ 0.          0.        ]
  [ 0.          0.        ]
  [-0.04339869 -0.04900574]]]
(2, 3, 2)
Model: "model_19"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_22 (InputLayer)        (None, 3)                 0         
_________________________________________________________________
embedding_34 (Embedding)     (None, 3, 2)              2         
=================================================================
Total params: 2
Trainable params: 2
Non-trainable params: 0

简而言之，Keras 使用零向量映射任何词汇表外的词索引，这是合理的，因为对于那些位置，前向传递将确保所有贡献都是 NIL（尽管偏差可能会起作用）。这有点违反直觉，因为将词汇标记传递给模型似乎是一种开销（而不仅仅是在预处理步骤中删除它们）和不好的做法。

教训将是完全避免 Keras 并转向 tensorflow.keras，因为他们清楚地提到在 2.2 版本之后将有更少的支持和小错误修复。

keras github repo 的相关问题：https ://github.com/keras-team/keras/issues/13989

python - 如果输入值大于 input_dim，keras 嵌入层如何工作？

问题描述

解决方案

推荐阅读