python - 如何将word2vec导入TensorFlow Seq2Seq模型？

Question

我正在使用 Tensorflow 序列到序列翻译模型。我想知道我是否可以将自己的 word2vec 导入到这个模型中？而不是使用教程中提到的原始“密集表示”。

从我的角度来看，TensorFlow 似乎正在使用 One-Hot 表示来表示 seq2seq 模型。首先，对于函数 tf.nn.seq2seq.embedding_attention_seq2seq ，编码器的输入是标记化符号，例如“a”将是“4”，“dog”将是“15715”等，并且需要 num_encoder_symbols。所以我认为它让我提供单词的位置和单词的总数，然后该函数可以以 One-Hot 表示形式表示该单词。我还在学习源代码，但是很难理解。

有人可以给我关于上述问题的想法吗？

Answer 1

seq2seq embedding_* 函数确实创建了与 word2vec 非常相似的嵌入矩阵。它们是一个名为 sth 的变量，如下所示:

EMBEDDING_KEY = "embedding_attention_seq2seq/RNN/EmbeddingWrapper/embedding"

知道了这一点，你就可以修改这个变量了。我的意思是——以某种格式获取你的 word2vec 向量，比如文本文件。假设您的词汇表位于 model.vocab 中，您可以按照下面的代码片段所示的方式分配阅读向量(这只是一个代码片段，您必须更改它才能使其正常工作，但我希望它能显示出这个想法) .

   vectors_variable = [v for v in tf.trainable_variables()
                        if EMBEDDING_KEY in v.name]
    if len(vectors_variable) != 1:
      print("Word vector variable not found or too many.")
      sys.exit(1)
    vectors_variable = vectors_variable[0]
    vectors = vectors_variable.eval()
    print("Setting word vectors from %s" % FLAGS.word_vector_file)
    with gfile.GFile(FLAGS.word_vector_file, mode="r") as f:
      # Lines have format: dog 0.045123 -0.61323 0.413667 ...
      for line in f:
        line_parts = line.split()
        # The first part is the word.
        word = line_parts[0]
        if word in model.vocab:
          # Remaining parts are components of the vector.
          word_vector = np.array(map(float, line_parts[1:]))
          if len(word_vector) != vec_size:
            print("Warn: Word '%s', Expecting vector size %d, found %d"
                     % (word, vec_size, len(word_vector)))
          else:
            vectors[model.vocab[word]] = word_vector
    # Assign the modified vectors to the vectors_variable in the graph.
    session.run([vectors_variable.initializer],
                {vectors_variable.initializer.inputs[1]: vectors})