tf.nn.embedding_lookup（）

tf.nn.embedding_lookup(
    params,
    ids,
    partition_strategy='mod',
    name=None,
    validate_indices=True,
    max_norm=None
)

：機能の指標に対応する行を選択し、ベクトルテンソル

TensorFlowリンク：https://tensorflow.google.cn/api_docs/python/tf/nn/embedding_lookup?hl=en

パラメータ：

• params：テンソルまたは配列;
• ID：対応するインデックス
• partition_strategy： lenの場合partition_strategyが使用されている（paramsは）> 1、分割しないのparamsエレメントのアリコートを、次いで、前者（max_id + 1）％LEN（ paramsは） 多段ID。
• partition_strategy = 'MOD' 時間は、13のIDが5つのパーティションに分割されている場合：[0、5、10]、[1、6、11]、[2,7]、[12]、[3,8]、[ 4、9]、すなわち、データが列に従ってマッピングされた後、操作look_up。デフォルトでは、モッズです
• 場合partition_strategy = 'DIV' 時間、13のIDが5つのパーティションに分割されている：[0、1、2]、[3、4、5]、[6]、[7]、[8]、[9、10]、[ 11、12]、すなわち、データを連続標準的な手順に従ってソートされ、その後操作をlook_upします。

 

 

（図からhttps://www.jianshu.com/p/abea0d9d2436）

 

例えば：

NPのようnumpyのインポート
A = tf.convert_to_tensor（np.array（[[[1]、[2]、[3]、[4]、[5]、[6]]]））
B = TF .nn.embedding_lookup（A、[0,1]、[1,0]、[0,0]）

tf.Session（）のSESとして有する：
    sess.run（tf.global_variables_initializer（））
    プリント（ ' 」、sess.run（A）） 
    、印刷（ '形状'、A.shape）
    プリント（ 'B'、sess.run（B））
    プリント（ 'B形'、B.SHAPE）

結果：

[[[1] 
  [2] 

 [3] 
  [4] 

 [5] 
  [6]]] 
形状（3、2、1）
B [[[[1] 
   [2] 

  [3 ] 
   [4]]] 


 [[[3] 
   [4] 

  [1] 
   [2]]] 


 [[1] 
   [2] 

  [1] 
   [2]]]] 
Bの形状（3、2、 2、1）

　　

　　

参考文献：

[1] tf.nn.embedding_lookupレコード