tensorflow : 使用预训练词向量
2017-05-19 10:21
946 查看
目前使用深度网络进行文本任务模型训练时,第一步应该是将文本转为词向量进行处理。但一般词向量的效果跟语料的大小有关,而处理任务的语料不足支持我们的实验,这时就需要使用网上公开的大规模语料训练词向量。
glove的文件说明如何使用预训练词向量,文件格式如下:每行为一个单词和其对应的词向量,以空格分隔。
glove对应的词向量,非二进制文件
word2vec对应的词向量,非二进制文件
word2vec词向量的装载
vocab:为词表
embed:为词的词向量
在网络结构中声明词向量矩阵W
在将embedding传给网络赋值。
该代码将输入映射为词向量,但input_x为词的id。因此我们需要将输入文本映射为词id序列。
使用tensorflow自带的词处理api进行处理,将词映射成为词id,同时会过滤掉标点符号。
目前写这么多,当时自己写的时候,进了很多坑,这次写的也不详细,如果有不理解的,欢迎评论交流,或发邮件给我(邮件比较及时)。
原作者里面是错的,少考虑了“unk”这种情况。请大家注意。
感谢作者:https://ireneli.eu/2017/01/17/tensorflow-07-word-embeddings-2-loading-pre-trained-vectors/
1、下载
网上公开的词向量下载地址:https://github.com/xgli/word2vec-apiglove的文件说明如何使用预训练词向量,文件格式如下:每行为一个单词和其对应的词向量,以空格分隔。
glove对应的词向量,非二进制文件
word2vec对应的词向量,非二进制文件
2、装载
glove词向量的装载filename = 'glove.6B.50d.txt' def loadGloVe(filename): vocab = [] embd = [] vocab.append('unk') #装载不认识的词 embd.append([0]*emb_size) #这个emb_size可能需要指定 file = open(filename,'r') for line in file.readlines(): row = line.strip().split(' ') vocab.append(row[0]) embd.append(row[1:]) print('Loaded GloVe!') file.close() return vocab,embd vocab,embd = loadGloVe(filename) vocab_size = len(vocab) embedding_dim = len(embd[0]) embedding = np.asarray(embd)
word2vec词向量的装载
def loadWord2Vec(filename): vocab = [] embd = [] cnt = 0 fr = open(filename,'r') line = fr.readline().decode('utf-8').strip() #print line word_dim = int(line.split(' ')[1]) vocab.append("unk") embd.append([0]*word_dim) for line in fr : row = line.strip().split(' ') vocab.append(row[0]) embd.append(row[1:]) print "loaded word2vec" fr.close() return vocab,embd vocab,embd = loadGloVe(filename) vocab_size = len(vocab) embedding_dim = len(embd[0]) embedding = np.asarray(embd)
vocab:为词表
embed:为词的词向量
3、词向量层
构建网络时候的词向量层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)
在网络结构中声明词向量矩阵W
sess.run(embedding_init, feed_dict={embedding_placeholder: embedding})
在将embedding传给网络赋值。
4、词表
此部分对某些任务不适用,比如对话,序列标注等问题,就是这个内置的函数会自动的过滤掉标点符号,但是标点符号也是一些任务需要的信息。tf.nn.embedding_lookup(W, input_x)
该代码将输入映射为词向量,但input_x为词的id。因此我们需要将输入文本映射为词id序列。
from tensorflow.contrib import learn #init vocab processor vocab_processor = learn.preprocessing.VocabularyProcessor(max_document_length) #fit the vocab from glove pretrain = vocab_processor.fit(vocab) #transform inputs input_x = np.array(list(vocab_processor.transform(your_raw_input)))
使用tensorflow自带的词处理api进行处理,将词映射成为词id,同时会过滤掉标点符号。
目前写这么多,当时自己写的时候,进了很多坑,这次写的也不详细,如果有不理解的,欢迎评论交流,或发邮件给我(邮件比较及时)。
原作者里面是错的,少考虑了“unk”这种情况。请大家注意。
感谢作者:https://ireneli.eu/2017/01/17/tensorflow-07-word-embeddings-2-loading-pre-trained-vectors/
相关文章推荐
- Windows下使用Word2vec继续词向量训练
- Windows下使用Word2vec继续词向量训练
- Tensorflow使用交互式会话训练线性分类器
- tensorflow使用GPU训练时的显存占用问题
- tensorflow的基本用法(七)——使用MNIST训练神经网络
- Windows下使用Word2vec继续词向量训练
- tensorflow将训练好的模型freeze,即将权重固化到图里面,并使用该模型进行预测
- tensorflow 使用多块GPU同时训练多个模型
- windows环境下使用word2vector进行词向量训练的方法
- 使用Genism进行词向量训练:教程版
- tensorflow中mnist 使用cnn模型训练的输出层数为7x7的原因
- 从零开始使用tensorflow(2)——词向量
- tensorflow将训练好的模型freeze,即将权重固化到图里面,并使用该模型进行预测
- word2vec词向量训练及gensim的使用
- Windows下使用Word2vec继续词向量训练
- Windows下使用Word2vec继续词向量训练
- tensorflow存储图和训练的权重为.pb,然后读取.pb并使用
- 使用Tensorflow训练自己的分割数据
- Tensorflow保存模型,恢复模型,使用训练好的模型进行预测和提取中间输出(特征)