這期內(nèi)容當(dāng)中小編將會(huì)給大家?guī)碛嘘P(guān)TensorFlow是如何解讀深度學(xué)習(xí)中的嵌入，文章內(nèi)容豐富且以專業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

創(chuàng)新互聯(lián)公司主要從事成都網(wǎng)站制作、成都網(wǎng)站設(shè)計(jì)、網(wǎng)頁設(shè)計(jì)、企業(yè)做網(wǎng)站、公司建網(wǎng)站等業(yè)務(wù)。立足成都服務(wù)連江,十多年網(wǎng)站建設(shè)經(jīng)驗(yàn),價(jià)格優(yōu)惠、服務(wù)專業(yè),歡迎來電咨詢建站服務(wù):18980820575

一個(gè)單詞集合，這些屬于離散的非數(shù)值型對象，數(shù)值計(jì)算的基本要求是數(shù)值型，所以需要將他們映射為實(shí)數(shù)向量。

嵌入是將離散對象數(shù)值化的過程。

嵌入向量，google 開源的 word2vec 模型做了這件事，現(xiàn)在 TensorFlow 中調(diào)用 API 幾行代碼便可以實(shí)現(xiàn)：

word_embeddings = tf.get_variable(“word_embeddings”,

 [vocabulary_size, embedding_size])

embedded_word_ids = tf.nn.embedding_lookup(word_embeddings, word_ids)

embedded_word_ids 的形狀 [vocabulary_size, embedding_size]

可視化展示主要需要對高維向量降維。

嵌入可以通過很多網(wǎng)絡(luò)類型進(jìn)行訓(xùn)練，并具有各種損失函數(shù)和數(shù)據(jù)集。例如，對于大型句子語料庫，可以使用遞歸神經(jīng)網(wǎng)絡(luò)根據(jù)上一個(gè)字詞預(yù)測下一個(gè)字詞，還可以訓(xùn)練兩個(gè)網(wǎng)絡(luò)來進(jìn)行多語言翻譯。

上述就是小編為大家分享的TensorFlow是如何解讀深度學(xué)習(xí)中的嵌入了，如果剛好有類似的疑惑，不妨參照上述分析進(jìn)行理解。如果想知道更多相關(guān)知識(shí)，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。