使用get_variable和safe_embedding_lookup_sparse进行embedding并添加L2正则时的注意事项
safe_embedding_lookup_sparse能够实现“Lookup embedding results, accounting for invalid IDs and empty features”，配合get_variable进行初始化embedding权值，
使用方法为：
from tensorflow.contrib.layers import safe_embedding_lookup_sparse
weight = tf.get_variable(name="linear_weight".format(name),shape=[vocabulary_size, 1],
initializer=tf.glorot_normal_initializer())
当使用这个方法进行LookUp求embedding之后，如果想要添加变量的L2正则损失，有些同学可能会这样做：
l2_loss = tf.contrib.layers.l2_regularizer(0.001)(tf.trainable_variables())
其实这样的做法时错误的。因为，这样会把所有trainable_variables的变量都添加到了l2正则损失里面，但是实际上我们需要的是“用到的那些trainable_variables”。拿embedding来说，embedding我们初始化了一个很大的权值矩阵，但是实际上我们只使用了我们LookUpTable查到的那部分权值，因此只需要把这部分权值添加进去就行了。
至于为什么上面的做法会把全部的权值都添加进l2，我们看一下tf.get_variable的trainable参数描述：
'''
trainable: If `True` also add the variable to the graph collection
`GraphKeys.TRAINABLE_VARIABLES` (see `tf.Variable`). `trainable`
defaults to `True` unless `synchronization` is set to `ON_READ`.
'''
那该怎么解决呢？
embedding = safe_embedding_lookup_sparse(weight, ids, combiner="mean"）
tf.add_to_collection(tf.GraphKeys.WEIGHTS,embedding)
首先使用safe_embedding_lookup_sparse得到embedding向量，然后，将该向量添加进tf.GraphKeys.WEIGHTS这个collection里，然后：
l2_regular = tf.contrib.layers.l2_regularizer(0.001)
regularization_loss = tf.contrib.layers.apply_regularization(l2_regular)
即，定义一个l2_regularizer，然后调用tf.contrib.layers.apply_regularization就可以得到实际使用embedding权值的l2正则损失了。注意tf.contrib.layers.apply_regularization（regularizer, weights_list=None）函数其实有两个参数，第一个是正则化方法，第二个是想要执行正则化方法的变量列表，如果为None，则默认取tf.GraphKeys.WEIGHTS中的weight，这就是我们将需要正则化的变量加入该集合的原因，也可以加入别的集合，只要在函数中指明要正则化的变量集合名字即可。
