深度学习处理文本（6）

理解词嵌入

重要的是，进行one-hot编码时，你做了一个与特征工程有关的决策。你向模型中注入了有关特征空间结构的基本假设。这个假设是：你所编码的不同词元之间是相互独立的。事实上，one-hot向量之间都是相互正交的。对于单词而言，这个假设显然是错误的。单词构成了一个结构化的空间，单词之间共享信息。在大多数句子中，​“movie”和“film”这两个词是可以互换的，所以表示“movie”的向量与表示“film”的向量不应该正交，它们应该是同一个向量，或者非常相似。说得更抽象一点，两个词向量之间的几何关系应该反映这两个单词之间的语义关系。例如，在一个合理的词向量空间中，同义词应该被嵌入到相似的词向量中，一般来说，任意两个词向量之间的几何距离（比如余弦距离或L2距离）应该与这两个单词之间的“语义距离”有关。含义不同的单词之间应该相距很远，而相关的单词应该相距更近。词嵌入是实现这一想法的词向量表示，它将人类语言映射到结构化几何空间中。

one-hot编码得到的向量是二进制的、稀疏的（大部分元素是0）​、高维的（维度大小等于词表中的单词个数）​，而词嵌入是低维的浮点向量（密集向量，与稀疏向量相对）​，如图11-2所示。常见的词嵌入是256维、512维或1024维（处理非常大的词表时）​。与此相对，one-hot编码的词向量通常是20 000维（词表中包含20 000个词元）或更高。因此，词嵌入可以将更多的信息塞入更少的维度中。

词嵌入是密集的表示，也是结构化的表示，其结构是从数据中学习得到的。相似的单词会被嵌入到相邻的位置，而且嵌入空间中的特定方向也是有意义的。为了更清楚地说明这一点，我们来看一个具体示例。在图11-3中，4个词被嵌入到二维平面中：这4个词分别是Cat（猫）​、Dog（狗）​、Wolf（狼）和Tiger（虎）​。利用我们这里选择的向量表示，这些词之间的某些语义关系可以被编码为几何变换。例如，从Cat到Tiger的向量与从Dog到Wolf的向量相同，这个向量可以被解释为“从宠物到野生动物”向量。同样，从Dog到Cat的向量与从Wolf到Tiger的向量也相同，这个向量可以被解释为“从犬科到猫科”向量。

在现实世界的词嵌入空间中，常见的有意义的几何变换示例包括“性别”向量和“复数”向量。例如，将“king”​（国王）向量加上“female”​（女性）向量，得到的是“queen”​（女王）向量。将“king”​（国王）向量加上“plural”​（复数）向量，得到的是“kings”向量。词嵌入空间通常包含上千个这种可解释的向量，它们可能都很有用。我们来看一下在实践中如何使用这样的嵌入空间。有以下两种方法可以得到词嵌入。在完成主任务（比如文档分类或情感预测）的同时学习词嵌入。在这种情况下，一开始是随机的词向量，然后对这些词向量进行学习，学习方式与学习神经网络权重相同。在不同于待解决问题的机器学习任务上预计算词嵌入，然后将其加载到模型中。这些词嵌入叫作预训练词嵌入（pretrained word embedding）​。我们来分别看一下这两种方法。

利用Embedding层学习词嵌入

是否存在一个理想的词嵌入空间，它可以完美地映射人类语言，并可用于所有自然语言处理任务？这样的词嵌入空间可能存在，但我们尚未发现。此外，并不存在人类语言这种东西。世界上有许多种语言，它们之间并不是同构的，因为语言反映的是特定文化和特定背景。但从更实际的角度来说，一个好的词嵌入空间在很大程度上取决于你的任务，英语影评情感分析模型的完美词嵌入空间，可能不同于英语法律文件分类模型的完美词嵌入空间，因为某些语义关系的重要性因任务而异。因此，合理的做法是对每个新任务都学习一个新的嵌入空间。幸运的是，反向传播让这种学习变得简单，Keras则使其变得更简单。我们只需学习Embedding层的权重，如代码清单11-15所示。

代码清单11-15　将Embedding层实例化

embedding_layer = layers.Embedding(input_dim=max_tokens, output_dim=256)  ←---- Embedding层至少需要两个参数：词元个数和嵌入维度（这里是256）

你可以将Embedding层理解为一个字典，它将整数索引（表示某个单词）映射为密集向量。它接收整数作为输入，在内部字典中查找这些整数，然后返回对应的向量。Embedding层的作用实际上就是字典查询，

如图11-4所示。

Embedding层的输入是形状为(batch_size, sequence_length)的2阶整数张量，其中每个元素都是一个整数序列。该层返回的是一个形状为(batch_size,sequence_length, embedding_dimensionality)的3阶浮点数张量。将Embedding层实例化时，它的权重（内部的词向量字典）是随机初始化的，就像其他层一样。在训练过程中，利用反向传播来逐渐调节这些词向量，改变空间结构，使其可以被下游模型利用。训练完成之后，嵌入空间会充分地显示结构。这种结构专门针对模型训练所要解决的问题。我们来构建一个包含Embedding层的模型，为我们的任务建立基准，如代码清单11-16所示。

代码清单11-16　从头开始训练一个使用Embedding层的模型

inputs = keras.Input(shape=(None,), dtype="int64")
embedded = layers.Embedding(input_dim=max_tokens, output_dim=256)(inputs)
x = layers.Bidirectional(layers.LSTM(32))(embedded)
x = layers.Dropout(0.5)(x)
outputs = layers.Dense(1, activation="sigmoid")(x)
model = keras.Model(inputs, outputs)
model.compile(optimizer="rmsprop",
              loss="binary_crossentropy",
              metrics=["accuracy"])
model.summary()

callbacks = [
    keras.callbacks.ModelCheckpoint("embeddings_bidir_gru.keras",
                                    save_best_only=True)
]
model.fit(int_train_ds, validation_data=int_val_ds, epochs=10,
          callbacks=callbacks)
model = keras.models.load_model("embeddings_bidir_gru.keras")
print(f"Test acc: {model.evaluate(int_test_ds)[1]:.3f}")

模型训练速度比one-hot模型快得多（因为LSTM只需处理256维向量，而不是20 000维）​，测试精度也差不多（87%）​。然而，这个模型与简单的二元语法模型相比仍有一定差距。部分原因在于，这个模型所查看的数据略少：二元语法模型处理的是完整的评论，而这个序列模型在600个单词之后截断序列。