我试着理解Theano implementation of LSTM (目前该链接因任何原因无效,但我希望它能尽快恢复)。
在代码中我看到以下部分:
emb = tparams['Wemb'][x.flatten()].reshape([n_timesteps,
n_samples,
options['dim_proj']])
为了使其“与上下文无关”,我按以下方式重写了它:
e = W[x.flatten()]].reshape([n1, n2, n3])
其中 x
的维度是 (n1, n2)
而 W
的维度是 (N, n3)
.
因此,我的假设是可以重写代码以使其更短。特别是我们可以这样写:
e = W[x]
或者,如果我们使用原始符号,它应该是:
emb = tparams['Wemb'][x]
我说得对吗?
为了提供更多上下文,x
是一个二维数组,包含表示单词的整数(例如 27 表示“单词编号 27”)。我的符号中的W
(或原始符号中的tparams['Wemb']
)是一个二维矩阵,其中每一行对应一个单词。因此,它是一个词嵌入矩阵 (Word2Vec),将每个词映射到一个实值向量。
最佳答案
是的,你是对的。
W[x.flatten()]]
为您提供由 x
的值定义的 W
行(即单词)。所以结果是 shape = (n1*n2,n3)
。我们称其为“单词列表”(不是 Python 列表,而是普通的语音列表)。
然后 reshape 为您提供所需的大小,其中单词列表被分割为 n1
页的 n2
单词。
您可以使用 W[x]
实现相同的效果,因为 x
的 n2
行中的每一行都给您一个 结果的 n1
页。
这是一个示例程序,显示两个表达式是等价的:
import numpy as np
N = 4
n3 = 5
W = np.arange(n3*N).reshape((N,n3))
print("W = \n", W)
n1 = 2
n2 = 3
x = np.random.randint(low=0, high=N,size=(n1,n2))
print("\nx = \n", x)
print("\ne = \n", W[x.flatten()].reshape([n1, n2, n3]))
print("\nalternativeE = \n", W[x])
关于python - 如果我们使用索引矩阵,是否需要在 Theano 中使用 flatten 和 reshape?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44613824/