Machine learning Tensorflow中嵌入层的工作原理

有人能给我解释一下输入和输出以及下面提到的层的工作吗

model.add(Embedding(total_words, 64, input_length=max_sequence_len-1))

总数=263字

最大序列长度=11

是64，维度的数目

为什么这一层的输出（无、10、64）

---

每个单词不应该是64维向量，即（None，263，64）

在

嵌入层中，第一个参数表示输入维（通常具有相当大的维度）。第二个参数表示输出维度，即约化向量的维度。第三个参数是序列长度。本质上，嵌入层只是学习形状
（输入尺寸，输出尺寸）
的查找表。该层的权重反映了该形状。然而，层的输出当然是形状
（输出尺寸，序列长度）
；输入序列中每个元素的一维缩减嵌入向量。您期望的形状实际上是嵌入层权重的形状。
在
嵌入层中，第一个参数表示输入维度（通常具有相当大的维度）。第二个参数表示输出维度，即约化向量的维度。第三个参数是序列长度。本质上，嵌入层只是学习形状
（输入尺寸，输出尺寸）
的查找表。该层的权重反映了该形状。然而，层的输出当然是形状
（输出尺寸，序列长度）
；输入序列中每个元素的一维缩减嵌入向量。您期望的形状实际上是嵌入层权重的形状。
您可以找到有关Tensorflow嵌入层的所有信息

前两个参数是
input\u dimension
和
output\u dimension


输入维度基本上表示模型的词汇表大小。您可以通过使用
Tokenizer（）
函数的
word\u index
函数找到这一点
输出维度将是下一个
密集层的输入维度

嵌入层的输出形式为
（批大小、输入长度、输出尺寸）
。但是，由于您指定了输入长度参数，因此图层输入的形式将为
（批处理，输入长度）
。这就是为什么输出的形式是（无、10、64）

希望这能消除你的疑虑☺️
 您可以找到有关Tensorflow嵌入层的所有信息

前两个参数是
input\u dimension
和
output\u dimension


输入维度基本上表示模型的词汇表大小。您可以通过使用
Tokenizer（）
函数的
word\u index
函数找到这一点
输出维度将是下一个
密集层的输入维度

嵌入层的输出形式为
（批大小、输入长度、输出尺寸）
。但是，由于您指定了输入长度参数，因此图层输入的形式将为
（批处理，输入长度）
。这就是为什么输出的形式是（无、10、64）

希望这能消除你的疑虑☺️
 嗨。这似乎是一个编程问题。对吗？在这种情况下，这是离题的，您应该在堆栈溢出时询问它。请读，你好。这似乎是一个编程问题。对吗？在这种情况下，这是离题的，您应该在堆栈溢出时询问它。请读一读。