函數：

tf.nn.embedding_lookup(

? ? ? ? ? ? ? ?params,

? ? ? ? ? ? ? ?ids,

? ? ? ? ? ? ? ?partition_strategy='mod',

? ? ? ? ? ? ? ?name=None,

? ? ? ? ? ? ? validate_indices=True,

? ? ? ? ? ? ? max_norm=None

)

參數說明：

params: 表示完整的嵌入張量，或者除了第一維度之外具有相同形狀的P個張量的列表，表示經分割的嵌入張量

ids: 一個類型為int32或int64的Tensor，包含要在params中查找的id

partition_strategy: 指定分區策略的字符串，如果len（params）> 1，則相關。當前支持“div”和“mod”。 默認為“mod”

name: 操作名稱（可選）

validate_indices: ?是否驗證收集索引

max_norm: 如果不是None，嵌入值將被l2歸一化為max_norm的值

?

tf.nn.embedding_lookup()函數的用法主要是選取一個張量里面索引對應的元素

tf.nn.embedding_lookup(tensor,id)：即tensor就是輸入的張量，id 就是張量對應的索引

tf.nn.embedding_lookup()就是根據input_ids中的id，尋找embeddings中的第id行。比如input_ids=[1,3,5]，則找出embeddings中第1，3，5行，組成一個tensor返回

embedding_lookup不是簡單的查表，id對應的向量是可以訓練的，訓練參數個數應該是 category num*embedding size，也就是說lookup是一種全連接層

?

一般做自然語言相關的。需要把每個詞都映射成向量，這個向量可以是word2vec預訓練好的，也可以是在網絡里訓練的，在網絡里需要先把詞的id轉換成對應的向量，這個函數就是做這件事的

在基于深度學習的實體識別中，字向量會提前訓練好，這個就可以理解成上面的tensor，而在實際的句子中每一個字所對應的字向量是通過id進行關聯上的

?

例子：

#coding:utf-8

import tensorflow as tf

import numpy as np

c = np.random.random([5,1]) ?##隨機生成一個5*1的數組

b = tf.nn.embedding_lookup(c, [1, 3]) ##查找數組中的序號為1和3的

with tf.Session() as sess:

????sess.run(tf.initialize_all_variables())

????print(sess.run(b))

????print(c)
輸出的結果如下所示：

[[0.5687709 ]

?[0.61091257]]

?

[[0.31777381]

?[0.5687709 ]

?[0.1779548 ]

?[0.61091257]

?[0.65478204]]

在c中第2個元素為0.5687709，第4個元素是0.61091257(索引從0開始)，剛好是b的值
---------------------
作者：楊小妹_fly
來源：CSDN
原文：https://blog.csdn.net/yangfengling1023/article/details/82910951
版權聲明：本文為博主原創文章，轉載請附上博文鏈接！

總結

以上是生活随笔為你收集整理的tf.nn.embedding_lookup()的用法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。