Python 如何从密集层提取激活
我正在尝试为这个实现预处理代码(这里的代码)。预处理代码在本文中描述如下: “卷积神经网络(Kim,2014)是 用于从转录本中提取文本特征 我们使用一个卷积函数 图层,然后是最大池和完全连接的图层,以获得特征表示 这个网络的输入是 300维预训练840B手套向量(Pennington等人,2014)。我们使用 尺寸分别为3、4和5,每个尺寸有50个要素地图 然后,将卷积的特征与 窗口大小为2,随后是ReLU激活(Nair和Hinton,2010)。然后将其连接并馈送至100维全连接层,该层的激活形成了话语的表示。该网络在 情感标签的话语水平。” 论文的作者指出,CNN特征提取代码可以在这篇文章中找到。然而,这段代码是为一个完整的模型,做序列分类。除了粗体部分外,它完成了上面引文中的所有内容(并进一步完成do分类)。我想编辑代码,以建立连接和饲料到100d层,然后提取激活。要训练的数据可以在repo(IMDB数据集)中找到 对于每个序列,输出应为(100,)张量 以下是CNN模型的代码:Python 如何从密集层提取激活,python,tensorflow,nlp,conv-neural-network,Python,Tensorflow,Nlp,Conv Neural Network,我正在尝试为这个实现预处理代码(这里的代码)。预处理代码在本文中描述如下: “卷积神经网络(Kim,2014)是 用于从转录本中提取文本特征 我们使用一个卷积函数 图层,然后是最大池和完全连接的图层,以获得特征表示 这个网络的输入是 300维预训练840B手套向量(Pennington等人,2014)。我们使用 尺寸分别为3、4和5,每个尺寸有50个要素地图 然后,将卷积的特征与 窗口大小为2,随后是ReLU激活(Nair和Hinton,2010)。然后将其连接并馈送至100维全连接层,该层的激
import tensorflow as tf
import numpy as np
class TextCNN(object):
"""
A CNN for text classification.
Uses an embedding layer, followed by a convolutional, max-pooling and softmax layer.
"""
def __init__(
self, sequence_length, num_classes, vocab_size,
embedding_size, filter_sizes, num_filters, l2_reg_lambda=0.0):
# Placeholders for input, output and dropout
self.input_x = tf.placeholder(tf.int32, [None, sequence_length], name="input_x")
self.input_y = tf.placeholder(tf.float32, [None, num_classes], name="input_y")
self.dropout_keep_prob = tf.placeholder(tf.float32, name="dropout_keep_prob")
# Keeping track of l2 regularization loss (optional)
l2_loss = tf.constant(0.0)
# Embedding layer
with tf.device('/cpu:0'), tf.name_scope("embedding"):
self.W = tf.Variable(
tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),
name="W")
self.embedded_chars = tf.nn.embedding_lookup(self.W, self.input_x)
self.embedded_chars_expanded = tf.expand_dims(self.embedded_chars, -1)
# Create a convolution + maxpool layer for each filter size
pooled_outputs = []
for i, filter_size in enumerate(filter_sizes):
with tf.name_scope("conv-maxpool-%s" % filter_size):
# Convolution Layer
filter_shape = [filter_size, embedding_size, 1, num_filters]
W = tf.Variable(tf.truncated_normal(filter_shape, stddev=0.1), name="W")
b = tf.Variable(tf.constant(0.1, shape=[num_filters]), name="b")
conv = tf.nn.conv2d(
self.embedded_chars_expanded,
W,
strides=[1, 1, 1, 1],
padding="VALID",
name="conv")
# Apply nonlinearity
h = tf.nn.relu(tf.nn.bias_add(conv, b), name="relu")
# Maxpooling over the outputs
pooled = tf.nn.max_pool(
h,
ksize=[1, sequence_length - filter_size + 1, 1, 1],
strides=[1, 1, 1, 1],
padding='VALID',
name="pool")
pooled_outputs.append(pooled)
# Combine all the pooled features
num_filters_total = num_filters * len(filter_sizes)
self.h_pool = tf.concat(pooled_outputs, 3)
self.h_pool_flat = tf.reshape(self.h_pool, [-1, num_filters_total])
# Add dropout
with tf.name_scope("dropout"):
self.h_drop = tf.nn.dropout(self.h_pool_flat, self.dropout_keep_prob)
# Final (unnormalized) scores and predictions
with tf.name_scope("output"):
W = tf.get_variable(
"W",
shape=[num_filters_total, num_classes],
initializer=tf.contrib.layers.xavier_initializer())
b = tf.Variable(tf.constant(0.1, shape=[num_classes]), name="b")
l2_loss += tf.nn.l2_loss(W)
l2_loss += tf.nn.l2_loss(b)
self.scores = tf.nn.xw_plus_b(self.h_drop, W, b, name="scores")
self.predictions = tf.argmax(self.scores, 1, name="predictions")
# Calculate mean cross-entropy loss
with tf.name_scope("loss"):
losses = tf.nn.softmax_cross_entropy_with_logits(logits=self.scores, labels=self.input_y)
self.loss = tf.reduce_mean(losses) + l2_reg_lambda * l2_loss
# Accuracy
with tf.name_scope("accuracy"):
correct_predictions = tf.equal(self.predictions, tf.argmax(self.input_y, 1))
self.accuracy = tf.reduce_mean(tf.cast(correct_predictions, "float"), name="accuracy")
我想连接到100d层以获得激活,我想在第59行(就在底部附近的
#Add Dropout
部分之前,然后注释掉它下面的其余部分)。我如何做到这一点?您尝试实现的卷积神经网络是NLP领域的一个很好的基线。它是在本年首次引入的(Kim,2014)
我发现您报告的代码非常有用,但可能比我们需要的更复杂。我试图用简单的keras重写网络(我只错过正则化)
初始嵌入使用手套中学习的权重进行设置。您可以上传它们,也可以使用其他技术(Word2Vec或FastText)学习新的嵌入表示并上传它们。拟合将一如既往地进行计算
我强调,以上是该网络的原始表示。如果您想在输出之前插入一个100密度层,可以简单地用这种方式修改它(这里是a):
为了提取我们感兴趣的特征,我们需要Dense100(我们称之为“提取器”)的输出。我还建议进行过滤和特征提取
extractor = Model(model.input, model.get_layer('extractor').output)
representation = extractor.predict(np.random.randint(0,200, (1000,50)))
表示法
将是一个形状数组(n_sample,100)您尝试实现的卷积神经网络是NLP领域的一个很好的基线。它是在本年首次引入的(Kim,2014)
我发现您报告的代码非常有用,但可能比我们需要的更复杂。我试图用简单的keras重写网络(我只错过正则化)
初始嵌入使用手套中学习的权重进行设置。您可以上传它们,也可以使用其他技术(Word2Vec或FastText)学习新的嵌入表示并上传它们。拟合将一如既往地进行计算
我强调,以上是该网络的原始表示。如果您想在输出之前插入一个100密度层,可以简单地用这种方式修改它(这里是a):
为了提取我们感兴趣的特征,我们需要Dense100(我们称之为“提取器”)的输出。我还建议进行过滤和特征提取
extractor = Model(model.input, model.get_layer('extractor').output)
representation = extractor.predict(np.random.randint(0,200, (1000,50)))
表示法
将是一个形状数组(n_示例,100)感谢这一点,我正在努力让它运行,并且有很多版本错误。您成功地在哪些版本(tf、keras、python等)中运行了它?我有tf2.2,但它非常简单,它也可以在tf1或旧的keras版本中运行。哪种错误?我认为您报告的源代码比所需的更复杂,我还通过pip安装了TF2.2(以及keras 2.0 python 3.6)。我看到它是简单的,但我得到这个错误:202005-12:14:00:55.869085 TysFrace/Cyp/平台/ CPUPUTIORIGARYARGE.CC:143)您的CPU支持该TensorFlow binary未编译使用的指令:AVX2FMA 2020-05-12:14:00:55.911663 TysFult/编译器/XLA/Service /Service。CCC:168)XLA服务0x7FE034 EF2660初始化为平台主机(这不能保证XLA将被使用)。设备:2020-05-12 14:00:55.911694:I tensorflow/compiler/xla/service/service.cc:176]StreamExecutor设备(0):主机,默认版本,谢谢。我通过下载一个自定义版本解决了这个问题…很奇怪。谢谢你,我正在努力让它运行,并且有很多版本错误。您成功地在哪些版本(tf、keras、python等)中运行了它?我有tf2.2,但它非常简单,它也可以在tf1或旧的keras版本中运行。哪种错误?我认为您报告的源代码比所需的更复杂,我还通过pip安装了TF2.2(以及keras 2.0 python 3.6)。我看到它很简单,但我得到这个错误:2020 05-12 14:00:55.869085 TysFule/Cyp/ Sturial/CpUPUTIORYARGAREST.CC:143)您的CPU支持TensorFlow binary未编译使用的指令:AVX2FMA 2020—05-12 14:00:55.911663:I TysFult/编译器/XLA / Service / Service。CC:168)XLA服务0x7FE034 EF2660初始化为平台主机(这不能保证XLA将被使用)。设备:2020-05-12 14:00:55.911694:I tensorflow/compiler/xla/service/service.cc:176]StreamExecutor设备(0):主机,默认版本,谢谢。我通过下载一个定制版本解决了这个问题…很奇怪。
extractor = Model(model.input, model.get_layer('extractor').output)
representation = extractor.predict(np.random.randint(0,200, (1000,50)))