我想训练一个模型来生成文本，类似于此博客文章
就我所知，此模型使用以下架构
[单词索引的顺序]-> [嵌入]-> [LSTM]-> [1热编码的“下一个单词”]
基本上，作者将过程建模为分类问题，其中输出层的维数与语料库中的单词一样多。
我想通过重用学习到的嵌入，然后最小化预测嵌入和实际嵌入之间的距离，将过程建模为回归问题。
基本上：
[单词索引的顺序]-> [嵌入]-> [LSTM]-> [下一个单词的嵌入向量]
我的问题是，由于模型正在动态学习嵌入，因此如何以输入输入（作为单词索引）的相同方式提供输出，然后告诉模型“但是在使用输出之前，请替换它通过其嵌入向量”？
非常感谢您的帮助:-)
在训练阶段：
您可以使用两个输入（一个用于目标，一个用于输入，这两个序列之间的偏移量为1）并重新使用嵌入层。如果输入句子为[1、2、3、4]，则可以从中生成两个序列：in = [1、2、3]，out = [2、3、4]。然后，您可以使用Keras的功能性API重用嵌入层：
emb1 = Embedding(in)
emb2 = Embedding(out)
predict_emb = LSTM(emb1)
loss = mean_squared_error(emb2, predict_emb)
请注意，它不是Keras代码，只是伪代码。
在测试阶段：
通常，您需要编写自己的解码函数。首先，您选择一个单词（或几个单词）作为起点。然后，将此单词（或简短单词序列）馈入网络以预测下一个单词的嵌入。在此步骤中，您可以定义自己的样本函数，例如：您可能希望选择嵌入最接近预测单词的单词作为下一个单词，或者您可能希望从分布中的下一个单词中取样，与预测嵌入更接近的嵌入有较大的可能性被选择。选择下一个单词后，将其输入网络并预测下一个单词，依此类推。
因此，您需要一次生成一个单词（以另一种方式输入它，一次嵌入），而不是将整个序列输入到网络中。
如果以上声明对您来说太抽象了，那么这里是一个很好的例子：https : //github.com/fchollet/keras/blob/master/examples/lstm_text_generation.py
第85行是引言部分，它从语料库中随机选择一小段文本进行处理。从第90行开始，存在一个循环，其中每个步骤都采样一个字符（这是一个字符，因此每个时间步都输入一个字符。对于您的情况，应该是一个单词，而不是一个字符）：L95预测下一个字符的分布，从L96样本中分发。希望这足够清楚。
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句