神经网络 Embedding层理解； Embedding层中使用预训练词向量

1、Embedding层理解

高维稀疏特征向量到低维稠密特征向量的转换；嵌入层将正整数（下标）转换为具有固定大小的向量；把一个one hot向量变为一个稠密向量

参考：https://zhuanlan.zhihu.com/p/52787964

Embedding 字面理解是 “嵌入”，实质是一种映射，从语义空间到向量空间的映射，同时尽可能在向量空间保持原样本在语义空间的关系，如语义接近的两个词汇在向量空间中的位置也比较接近。

应用：

在深度学习推荐系统中，Embedding主要的三个应用方向：

1、在深度学习网络中作为Embedding层，完成从高维稀疏特征向量到低维稠密特征向量的转换；

2、作为预训练的Embedding特征向量，与其他特征向量连接后一同输入深度学习网络进行训练；

3、通过计算用户和物品的Embedding相似度，Embedding可以直接作为推荐系统或计算广告系统的召回层或者召回方法之一。

代码简单说明

keras Embedding接口：
参考：https://keras.io/zh/layers/embeddings/
input_dim 一般大于等于词表数

Embedding(4, 3, input_length=5) ：
1）4是词表去重后的总数量，例如这里np.array([[0,1,2,1,1],[0,1,2,1,3]])共0、1、2、3四个数字，所以词表数为4
2）3是输出单个词向量维度
3）5是input_length输入的长度np.array([[0,1,2,1,1],[0,1,2,1,3]])中[0,1,2,1,1]长度为5

from keras.models import Sequential
from keras.layers import Flatten, Dense, Embedding 
import numpy as np

model = Sequential()
model.add(Embedding(4, 3, input_length=5))  

model.compile('rmsprop', 'mse')
data = np.array([[0,1,2,1,1],[0,1,2,1,3]])

res1 = model.predict(data)
res1

print(model.input_shape)
print(model.output_shape)
'''
(None, 5) #其中 None的取值是batch_size
(None, 5, 3)

input_shape:函数输入,尺寸为（batch_size, 5）的2D张量(矩阵的意思)
output_shape:函数输出,尺寸为（batch_size, 5,3）的3D张量
'''

特别说明：

1）Embedding(4, 3, input_length=5) 会随机初始化一个词表大小的4*3维矩阵
2）data = np.array([[0,1,2,1,1],[0,1,2,1,3]])里的0、1、2、3、4获取上面词表里对应取数，比如0会去取上面标记数字0行，其他类似；如果有小数点会直接取整2.3、2.9都是取2然后去取上面标记数字2行
3）这些随机初始化的Embedding作为神经网络输入会随着网络的训练而变化

再深入理解

参考：https://spaces.ac.cn/archives/4122
字向量就是one hot的全连接层的参数；下2图红线的参数就是对应的参数权重

2、 Embedding层中使用 预训练词向量

weights=[embeddings_matrix], # 重点：预训练的词向量系数
trainable=False # 是否在 训练的过程中 更新词向量

from keras.layers import Embedding

EMBEDDING_DIM = 100 #词向量维度

embedding_layer = Embedding(input_dim = len(embeddings_matrix), # 字典长度
                            EMBEDDING_DIM, # 词向量 长度（100）
                            weights=[embeddings_matrix], # 重点：预训练的词向量系数
                            input_length=MAX_SEQUENCE_LENGTH, # 每句话的 最大长度（必须padding） 
                            trainable=False # 是否在 训练的过程中 更新词向量
                           
                            )

其实就是给赋值下one hot全连接边的权重就是字向量的embedding；后续还是对应查表取值，后续训练也可以自定义权重是否被训练更新

pytorch Embedding 预训练向量加载

import torch

weight = torch.FloatTensor([[1, 2.3, 3], [4, 5.1, 6.3]])
embedding = torch.nn.Embedding.from_pretrained(weight)
 # Get embeddings for index 1
input = torch.LongTensor([1])  ##表示取表第二个，即结果[4, 5.1, 6.3]
embedding(input)