keras-嵌入层，我可以改变模型管道中经过训练的嵌入层的值吗？

我在本页列举了以下例子：

它使用嵌入层在数据上训练单词嵌入，如下所示：

model = Sequential()
model.add(Embedding(100, 8, input_length=max_length))
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))
# compile the model
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['acc'])
# summarize the model
print(model.summary())

该模型从从数据中学习单词嵌入开始，为每个单词创建一个8维向量

我想做的是，在学习了这个嵌入之后，我想通过在每个向量的末尾增加两个维度来改变矩阵（或每个单词的向量）。我将有另一个过程来计算这两个维度的值

还有什么我可以做的吗

---

事先非常感谢

是的，这是可能的。请尝试使用以下步骤执行此操作：

提取权重矩阵：

weight_matrix = model.layers[0].get_weights()[0] # Matrix shape (100, 8).

附加向量：

new_weight_matrix = your_append(weight_matrix)
# Be sure that new_weight_matrix has shape of (100, 10)

生成模型的调整副本：

new_model = Sequential()
new_model.add(Embedding(100, 10, input_length=max_length)) # Notice a change
new_model.add(Flatten())
new_model.add(Dense(1, activation='sigmoid'))

（可选）冻结图层：如果要冻结嵌入集：

new_model = Sequential()
new_model.add(Embedding(100, 10, input_length=max_length
    trainable=False)) # Notice a change
new_model.add(Flatten())
new_model.add(Dense(1, activation='sigmoid'))

编译一个新模型：

new_model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['acc'])

---

非常感谢。这一切都必须在前一个模型被称为“编译”并在数据上进行拟合之后进行吗？您需要重新拟合您的模型-因为它的架构发生了变化。谢谢我理解重新拟合。。。我的意思是以前的模型，我想它必须进行拟合才能获得重量，对吗？然后我用你的代码在修改matrixRight后重新安装模型。你的方法似乎有道理。你们可以用冰冻层而不是冰冻层来测试它。嗨-我的答案有用吗-如果是的话，我希望你们接受并投票：）