嵌入Keras层

嵌入

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）转换为固定大小的粗矢量。例如。 （（4），（20）） – >（（0.25,0.1），（0.6， – 0.2））

该层必须用作模型中的主要层。

先例

model = Sequential（）

model.add（嵌入（1000,64，input_length = 10））

＃该模型将整个网络的大小（clump，input_length）作为信息。

＃信息中最大的数字（例如单词索引）应该是

＃不大于999（词汇量度）。

＃now model.output_shape ==（无，10,64），其中None是群集测量。

input_array = np.random.randint（1000，size =（32,10））

model.compile（'rmsprop'，'mse'）

output_array = model.predict（input_array）

确认output_array.shape ==（32,10,64）

争论

• input_dim：int> 0.词汇表的大小，例如最大整数索引+ 1。
• output_dim：int> = 0.测量厚安装。
• embeddings_initializer：嵌入框架的初始化程序。
• embeddings_regularizer：连接到嵌入网络的正则化函数。
• activity_regularizer：与层的产量相关的正则化函数（其“启动”）。
• embeddings_constraint：连接到嵌入网格的约束函数。
• mask_zero：信息自尊0是否是一种应该被掩盖的非凡的“缓冲”尊重。当使用可能需要可变长度输入的间歇层时，这很有用。如果这是真的，那么模型中的每个后续层都需要帮助隐藏或者引发特殊情况。在mask_zero被设置为True的情况下，因此，在词汇表中不能使用索引0（input_dim应该接近词汇量的大小+ 1）。
• input_length：信息安排的长度，当它是一致的时。如果您将接口Flatten，此时需要进行此争用，此时密集层上游（没有它，无法注册厚产量的状态）。

信息形态

具有形状的2D张量：（batch_size，sequence_length）。

屈服形状

具有形状的3D张量：（batch_size，sequence_length，output_dim）。