シーケンス表現

空間信号

時間的な信号

＃シーケンス

シーケンス埋め込み

• [B、seq_len、feature_len]＃1の文10 4ワードの各ワードの意味、[1,10,4]

• 例えば、私はそれが好きです。

import tensorflow as tf

tf.convert_to_tensor([[1,0,0],[0,1,0],[0,0,1]])

<tf.Tensor: id=4, shape=(3, 3), dtype=int32, numpy=
array([[1, 0, 0],
       [0, 1, 0],
       [0, 0, 1]], dtype=int32)>

[B、100,1]

• [価格は、スカラー、1]＃1 - > 1ポイントは価格を表し

[B、28,28]

• 回数は、時間の概念に画像をスキャン

バッチ

• [B、ワードNUM、ワードVEC]

• [単語NUM、B、ワードVEC]

[単語、単語VEC]

• 単語を表現する方法
  • [ローマ、イタリア、 ...]
• 耳寄りな話

• 希薄

• 高次元の

• セマンティック類似性

• トレーニング可能

Wordの埋め込み

• 手袋対Word2Vec

埋め込み層

• ランダム初期化された埋め込み

from tensorflow.keras import layers

x = tf.range(5)
x = tf.random.shuffle(x)
x

<tf.Tensor: id=10, shape=(5,), dtype=int32, numpy=array([0, 4, 3, 2, 1], dtype=int32)>

net = layers.Embedding(10,4)
net(x)

<tf.Tensor: id=26, shape=(5, 4), dtype=float32, numpy=
array([[-0.04665176, -0.00618398, -0.02745042, -0.0418861 ],
       [-0.00495533, -0.02990632, -0.04187028, -0.03159492],
       [ 0.00022942, -0.01628833, -0.00680885, -0.03196504],
       [-0.0023623 ,  0.04522124,  0.02052191, -0.02518519],
       [ 0.0211277 , -0.03581526,  0.00149528,  0.04243053]],
      dtype=float32)>

net.trainable

True

net.trainable_variables

[<tf.Variable 'embedding/embeddings:0' shape=(10, 4) dtype=float32, numpy=
 array([[-0.04665176, -0.00618398, -0.02745042, -0.0418861 ],
        [ 0.0211277 , -0.03581526,  0.00149528,  0.04243053],
        [-0.0023623 ,  0.04522124,  0.02052191, -0.02518519],
        [ 0.00022942, -0.01628833, -0.00680885, -0.03196504],
        [-0.00495533, -0.02990632, -0.04187028, -0.03159492],
        [ 0.04476041,  0.00983595,  0.01300793, -0.00486787],
        [ 0.00272337,  0.00402355, -0.04166143,  0.01867583],
        [-0.01088942,  0.02177001,  0.01363814, -0.04016535],
        [-0.04173249, -0.03866537, -0.0426992 ,  0.00479555],
        [ 0.02334514,  0.01809745, -0.03649411, -0.00876436]],
       dtype=float32)>]