TensorFlow是如何解读深度学习中的嵌入

这期内容当中小编将会给大家带来有关TensorFlow是如何解读深度学习中的嵌入，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

一个单词集合，这些属于离散的非数值型对象，数值计算的基本要求是数值型，所以需要将他们映射为实数向量。

嵌入是将离散对象数值化的过程。

嵌入向量，google 开源的 word2vec 模型做了这件事，现在 TensorFlow 中调用 API 几行代码便可以实现：

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 的形状 [vocabulary_size, embedding_size]

可视化展示主要需要对高维向量降维。

嵌入可以通过很多网络类型进行训练，并具有各种损失函数和数据集。例如，对于大型句子语料库，可以使用递归神经网络根据上一个字词预测下一个字词，还可以训练两个网络来进行多语言翻译。

上述就是小编为大家分享的TensorFlow是如何解读深度学习中的嵌入了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注行业资讯频道。