网络的嵌入层是什么样的？
What does the embedding layer for a network looks like?
刚开始做文本分类，卡在embedding层了。如果我有一批编码为与每个单词对应的整数的序列，嵌入层是什么样的？是否有像正常神经层一样的神经元？
我看过 keras.layers.Embedding，但在查找文档后，我真的很困惑它是如何工作的。 input_dim我能看懂，但为什么output_dim是二维矩阵？我在这个嵌入层中有多少权重？
很抱歉，如果我的问题没有解释清楚，我没有 NLP 经验，如果这个关于词嵌入的问题是 NLP 中的常见基础知识，请告诉我，我会检查它。
想一想您从中获取对象的列表。
你做到了object = myList[index]
嵌入层与此列表类似。但是 "object" 是可训练值的向量。
因此，您的序列包含从嵌入中获取向量的索引。
顺序中的单词 1 说：给我单词 1 的向量
单词 2 说：给我单词 2 的向量，依此类推。
在实践中，权重将是一个二维矩阵。您可以根据序列中传递的单词索引从中获取行。
像[wordIndex1, wordIndex2, wordIndex3]这样的序列会变成[wordVector1, wordVector2, wordVector3]。
嵌入层只是一个可训练的查找table：它以整数索引作为输入，returns作为与该索引关联的词嵌入的输出：
index | word embeddings
=============================================================================
0 | word embedding for the word with index 0 (usually used for padding)
-----------------------------------------------------------------------------
1 | word embedding for the word with index 1
-----------------------------------------------------------------------------
2 | word embedding for the word with index 2
-----------------------------------------------------------------------------
. |
. |
. |
-----------------------------------------------------------------------------
N | word embedding for the word with index N
-----------------------------------------------------------------------------
从这个意义上说，它是可训练的，嵌入值不一定是固定的，可以在训练期间改变。 input_dim 参数实际上是单词的数量（或者更一般地说，序列中不同元素的数量）。 output_dim 参数指定每个单词嵌入的维度。例如，在使用 output_dim=100 的情况下，每个单词嵌入将是一个大小为 100 的向量。此外，由于嵌入层的输入是一个整数序列（对应于句子中的单词），因此其输出将具有(num_sequences, len_sequence, output_dim) 的形状，即对于序列中的每个整数，返回大小为 output_dim 的嵌入向量。
至于嵌入层中权重的数量，很容易计算：有 input_dim 个唯一索引，每个索引与大小为 output_dim 的词嵌入相关联。因此嵌入层中的权重数为input_dim x ouput_dim。
刚开始做文本分类，卡在embedding层了。如果我有一批编码为与每个单词对应的整数的序列，嵌入层是什么样的？是否有像正常神经层一样的神经元？
我看过 keras.layers.Embedding，但在查找文档后，我真的很困惑它是如何工作的。 input_dim我能看懂，但为什么output_dim是二维矩阵？我在这个嵌入层中有多少权重？
很抱歉，如果我的问题没有解释清楚，我没有 NLP 经验，如果这个关于词嵌入的问题是 NLP 中的常见基础知识，请告诉我，我会检查它。
想一想您从中获取对象的列表。
你做到了object = myList[index]
嵌入层与此列表类似。但是 "object" 是可训练值的向量。
因此，您的序列包含从嵌入中获取向量的索引。
顺序中的单词 1 说：给我单词 1 的向量
单词 2 说：给我单词 2 的向量，依此类推。
在实践中，权重将是一个二维矩阵。您可以根据序列中传递的单词索引从中获取行。
像[wordIndex1, wordIndex2, wordIndex3]这样的序列会变成[wordVector1, wordVector2, wordVector3]。
嵌入层只是一个可训练的查找table：它以整数索引作为输入，returns作为与该索引关联的词嵌入的输出：
index | word embeddings
=============================================================================
0 | word embedding for the word with index 0 (usually used for padding)
-----------------------------------------------------------------------------
1 | word embedding for the word with index 1
-----------------------------------------------------------------------------
2 | word embedding for the word with index 2
-----------------------------------------------------------------------------
. |
. |
. |
-----------------------------------------------------------------------------
N | word embedding for the word with index N
-----------------------------------------------------------------------------
从这个意义上说，它是可训练的，嵌入值不一定是固定的，可以在训练期间改变。 input_dim 参数实际上是单词的数量（或者更一般地说，序列中不同元素的数量）。 output_dim 参数指定每个单词嵌入的维度。例如，在使用 output_dim=100 的情况下，每个单词嵌入将是一个大小为 100 的向量。此外，由于嵌入层的输入是一个整数序列（对应于句子中的单词），因此其输出将具有(num_sequences, len_sequence, output_dim) 的形状，即对于序列中的每个整数，返回大小为 output_dim 的嵌入向量。
至于嵌入层中权重的数量，很容易计算：有 input_dim 个唯一索引，每个索引与大小为 output_dim 的词嵌入相关联。因此嵌入层中的权重数为input_dim x ouput_dim。