溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》
您好，登錄后才能下訂單哦！
這期內(nèi)容當中小編將會給大家?guī)碛嘘P(guān)TensorFlow是如何解讀深度學習中的嵌入，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。
一個單詞集合，這些屬于離散的非數(shù)值型對象，數(shù)值計算的基本要求是數(shù)值型，所以需要將他們映射為實數(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)類型進行訓練，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)上一個字詞預測下一個字詞，還可以訓練兩個網(wǎng)絡(luò)來進行多語言翻譯。
上述就是小編為大家分享的TensorFlow是如何解讀深度學習中的嵌入了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關(guān)知識，歡迎關(guān)注億速云行業(yè)資訊頻道。
免責聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號
手機網(wǎng)站二維碼
