Używanie wstępnie wytrenowanego osadzania słów (word2vec lub Glove) w TensorFlow

Niedawno przejrzałem interesującą implementację klasyfikacji konwolucyjnej tekstu . Jednak cały kod TensorFlow, który sprawdziłem, używa losowych (nie wstępnie wytrenowanych) wektorów osadzających, takich jak następujące:

with tf.device('/cpu:0'), tf.name_scope("embedding"):
    W = tf.Variable(
        tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),
        name="W")
    self.embedded_chars = tf.nn.embedding_lookup(W, self.input_x)
    self.embedded_chars_expanded = tf.expand_dims(self.embedded_chars, -1)

Czy ktoś wie, jak używać wyników osadzania słów z Word2vec lub wstępnie wytrenowanego słowa GloVe zamiast losowego?

Istnieje kilka sposobów wykorzystania wstępnie wytrenowanego osadzania w TensorFlow. Powiedzmy, że masz osadzenie w tablicy NumPy o nazwie embedding, z vocab_sizewierszami i embedding_dimkolumnami, i chcesz utworzyć tensor, Wktórego można użyć w wywołaniu funkcji tf.nn.embedding_lookup().

1. Po prostu stwórz Wjako, tf.constant()który przyjmuje embeddingwartość:

   W = tf.constant(embedding, name="W")

   Jest to najłatwiejsze podejście, ale nie jest wydajne pod względem pamięci, ponieważ wartość a tf.constant()jest przechowywana w pamięci wiele razy. Ponieważ embeddingmoże być bardzo duży, tego podejścia należy używać tylko w przypadku zabawek.

2. Utwórz Wjako a tf.Variablei zainicjalizuj go z tablicy NumPy za pomocą tf.placeholder():

   W = tf.Variable(tf.constant(0.0, shape=[vocab_size, embedding_dim]),
                   trainable=False, name="W")
   
   embedding_placeholder = tf.placeholder(tf.float32, [vocab_size, embedding_dim])
   embedding_init = W.assign(embedding_placeholder)
   
   # ...
   sess = tf.Session()
   
   sess.run(embedding_init, feed_dict={embedding_placeholder: embedding})

   Pozwala to uniknąć przechowywania kopii embeddingna wykresie, ale wymaga wystarczającej ilości pamięci, aby jednocześnie przechowywać dwie kopie macierzy w pamięci (jedną dla tablicy NumPy i jedną dla tf.Variable). Zauważ, że założyłem, że chcesz zachować stałą matrycę osadzania podczas treningu, więc Wjest tworzony za pomocą trainable=False.

3. Jeśli osadzanie zostało przeszkolone jako część innego modelu TensorFlow, możesz użyć a, tf.train.Saveraby załadować wartość z pliku punktu kontrolnego innego modelu. Oznacza to, że matryca osadzania może całkowicie ominąć Pythona. Utwórz Wjak w opcji 2, a następnie wykonaj następujące czynności:

   W = tf.Variable(...)
   
   embedding_saver = tf.train.Saver({"name_of_variable_in_other_model": W})
   
   # ...
   sess = tf.Session()
   embedding_saver.restore(sess, "checkpoint_filename.ckpt")

Używam tej metody do ładowania i udostępniania osadzania.

W = tf.get_variable(name="W", shape=embedding.shape, initializer=tf.constant_initializer(embedding), trainable=False)

Odpowiedź @mrry nie jest właściwa, ponieważ prowokuje nadpisywanie wag osadzania w każdej sieci, więc jeśli stosujesz podejście minibatch do trenowania sieci, nadpisujesz wagi osadzeń. Tak więc, z mojego punktu widzenia, właściwą drogą do wcześniej wytrenowanego osadzania jest:

embeddings = tf.get_variable("embeddings", shape=[dim1, dim2], initializer=tf.constant_initializer(np.array(embeddings_matrix))

Odpowiedź zgodna z wersją 2.0 : Istnieje wiele wstępnie wytrenowanych osadzeń, które zostały opracowane przez Google i które zostały oparte na otwartym źródle.

Niektóre z nich są Universal Sentence Encoder (USE), ELMO, BERTitd. I bardzo łatwo jest je ponownie wykorzystać w kodzie.

Kod do ponownego wykorzystania Pre-Trained Embedding,Universal Sentence Encoder przedstawiono poniżej:

  !pip install "tensorflow_hub>=0.6.0"
  !pip install "tensorflow>=2.0.0"

  import tensorflow as tf
  import tensorflow_hub as hub

  module_url = "https://tfhub.dev/google/universal-sentence-encoder/4"
  embed = hub.KerasLayer(module_url)
  embeddings = embed(["A long sentence.", "single-word",
                      "http://example.com"])
  print(embeddings.shape)  #(3,128)

Aby uzyskać więcej informacji na temat wstępnie wytrenowanych osadzeń opracowanych i udostępnionych na zasadach open source przez Google, zapoznaj się z TF Hub Link .

W przypadku tensorflow w wersji 2 jest to całkiem proste, jeśli używasz warstwy osadzania

X=tf.keras.layers.Embedding(input_dim=vocab_size,
                            output_dim=300,
                            input_length=Length_of_input_sequences,
                            embeddings_initializer=matrix_of_pretrained_weights
                            )(ur_inp)

Miałem też problem z osadzaniem, więc napisałem szczegółowy samouczek z zestawem danych. Tutaj chciałbym dodać to, co wypróbowałem Możesz też wypróbować tę metodę,

import tensorflow as tf

tf.reset_default_graph()

input_x=tf.placeholder(tf.int32,shape=[None,None])

#you have to edit shape according to your embedding size


Word_embedding = tf.get_variable(name="W", shape=[400000,100], initializer=tf.constant_initializer(np.array(word_embedding)), trainable=False)
embedding_loopup= tf.nn.embedding_lookup(Word_embedding,input_x)

with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        for ii in final_:
            print(sess.run(embedding_loopup,feed_dict={input_x:[ii]}))

Oto szczegółowy przykład samouczka Ipython, jeśli chcesz zrozumieć od zera, spójrz.