[source]

Embedding

  1. keras.layers.Embedding(input_dim, output_dim, embeddings_initializer='uniform', embeddings_regularizer=None, activity_regularizer=None, embeddings_constraint=None, mask_zero=False, input_length=None)

将正整数（索引值）转换为固定尺寸的稠密向量。例如： [[4], [20]] -> [[0.25, 0.1], [0.6, -0.2]]

该层只能用作模型中的第一层。

例子

  1. model = Sequential()
  2. model.add(Embedding(1000, 64, input_length=10))
  3. # 模型将输入一个大小为 (batch, input_length) 的整数矩阵。
  4. # 输入中最大的整数（即词索引）不应该大于 999 （词汇表大小）
  5. # 现在 model.output_shape == (None, 10, 64)，其中 None 是 batch 的维度。
  7. input_array = np.random.randint(1000, size=(32, 10))
  9. model.compile('rmsprop', 'mse')
  10. output_array = model.predict(input_array)
  11. assert output_array.shape == (32, 10, 64)

参数

  • input_dim: int > 0。词汇表大小，即，最大整数 index + 1。
  • output_dim: int >= 0。词向量的维度。
  • embeddings_initializer: embeddings 矩阵的初始化方法(详见 initializers)。
  • embeddings_regularizer: embeddings matrix 的正则化方法(详见 regularizer)。
  • embeddings_constraint: embeddings matrix 的约束函数(详见 constraints)。
  • mask_zero: 是否把 0 看作为一个应该被遮蔽的特殊的 "padding" 值。这对于可变长的 循环神经网络层 十分有用。如果设定为 True，那么接下来的所有层都必须支持 masking，否则就会抛出异常。如果 mask_zero 为 True，作为结果，索引 0 就不能被用于词汇表中（input_dim 应该与 vocabulary + 1 大小相同）。
  • input_length: 输入序列的长度，当它是固定的时。如果你需要连接 Flatten 和 Dense 层，则这个参数是必须的（没有它，dense 层的输出尺寸就无法计算）。

输入尺寸

尺寸为 (batch_size, sequence_length) 的 2D 张量。

输出尺寸

尺寸为 (batch_size, sequence_length, output_dim) 的 3D 张量。

参考文献