Python 在keras中使用预训练gensim-Word2vec嵌入

我在gensim培训了word2vec。在Keras中，我想用它来制作句子矩阵，使用单词嵌入。因为存储所有句子的矩阵空间很大，而且内存效率低下。所以，我想在Keras中制作嵌入层来实现这一点，这样它就可以用于进一步的层（LSTM）。你能详细告诉我怎么做吗

---

PS：这与其他问题不同，因为我使用gensim进行word2vec培训，而不是keras。

假设您有以下数据需要编码

docs = ['Well done!',
        'Good work',
        'Great effort',
        'nice work',
        'Excellent!',
        'Weak',
        'Poor effort!',
        'not good',
        'poor work',
        'Could have done better.']

然后，您必须像这样使用Keras的

标记器对其进行标记化，并找到
vocab\u大小

t = Tokenizer()
t.fit_on_texts(docs)
vocab_size = len(t.word_index) + 1

然后你可以把它编码成这样的序列

encoded_docs = t.texts_to_sequences(docs)
print(encoded_docs)

e = Embedding(vocab_size, 100, weights=[embedding_vectors], input_length=4, trainable=False)

model = Sequential()
e = Embedding(vocab_size, 100, weights=[embedding_matrix], input_length=4, trainable=False)
model.add(e)
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())
# fit the model
model.fit(padded_docs, labels, epochs=50, verbose=0)

然后可以填充序列，使所有序列具有固定长度

max_length = 4
padded_docs = pad_sequences(encoded_docs, maxlen=max_length, padding='post')

然后利用word2vec模型制作嵌入矩阵

# load embedding as a dict
def load_embedding(filename):
    # load embedding into memory, skip first line
    file = open(filename,'r')
    lines = file.readlines()[1:]
    file.close()
    # create a map of words to vectors
    embedding = dict()
    for line in lines:
        parts = line.split()
        # key is string word, value is numpy array for vector
        embedding[parts[0]] = asarray(parts[1:], dtype='float32')
    return embedding

# create a weight matrix for the Embedding layer from a loaded embedding
def get_weight_matrix(embedding, vocab):
    # total vocabulary size plus 0 for unknown words
    vocab_size = len(vocab) + 1
    # define weight matrix dimensions with all 0
    weight_matrix = zeros((vocab_size, 100))
    # step vocab, store vectors using the Tokenizer's integer mapping
    for word, i in vocab.items():
        weight_matrix[i] = embedding.get(word)
    return weight_matrix

# load embedding from file
raw_embedding = load_embedding('embedding_word2vec.txt')
# get vectors in the right order
embedding_vectors = get_weight_matrix(raw_embedding, t.word_index)

一旦你有了嵌入矩阵，你就可以像这样在
嵌入层中使用它

encoded_docs = t.texts_to_sequences(docs)
print(encoded_docs)

e = Embedding(vocab_size, 100, weights=[embedding_vectors], input_length=4, trainable=False)

model = Sequential()
e = Embedding(vocab_size, 100, weights=[embedding_matrix], input_length=4, trainable=False)
model.add(e)
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())
# fit the model
model.fit(padded_docs, labels, epochs=50, verbose=0)

该层可用于制作这样的模型

encoded_docs = t.texts_to_sequences(docs)
print(encoded_docs)

e = Embedding(vocab_size, 100, weights=[embedding_vectors], input_length=4, trainable=False)

model = Sequential()
e = Embedding(vocab_size, 100, weights=[embedding_matrix], input_length=4, trainable=False)
model.add(e)
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())
# fit the model
model.fit(padded_docs, labels, epochs=50, verbose=0)

所有的代码都是根据很棒的博客文章改编的。按照它了解更多有关使用手套嵌入的信息

有关word2vec的使用，请参见post
我的gensim培训w2v型号代码。假设w2v模型中训练的所有单词现在都是名为all_words的列表变量

from keras.preprocessing.text import Tokenizer
import gensim
import pandas as pd
import numpy as np
from itertools import chain

w2v = gensim.models.Word2Vec.load("models/w2v.model")
vocab = w2v.wv.vocab    
t = Tokenizer()

vocab_size = len(all_words) + 1
t.fit_on_texts(all_words)

def get_weight_matrix():
    # define weight matrix dimensions with all 0
    weight_matrix = np.zeros((vocab_size, w2v.vector_size))
    # step vocab, store vectors using the Tokenizer's integer mapping
    for i in range(len(all_words)):
        weight_matrix[i + 1] = w2v[all_words[i]]
    return weight_matrix

embedding_vectors = get_weight_matrix()
emb_layer = Embedding(vocab_size, output_dim=w2v.vector_size, weights=[embedding_vectors], input_length=FIXED_LENGTH, trainable=False)

使用新的Gensim版本，这非常简单：

w2v_model.wv.get_keras_embedding(train_embeddings=False)

你有你的Keras嵌入层
如果我的Word2vec嵌入是使用gensim训练的，它会工作吗？我问是因为gensim的Word2vec训练模型不是txt文件，你已经为文本文件编写了。否，它是模型文件。但是有办法把它保存在.bin中。我会的。这样行吗？行。如果存在bin文件，您可以将其保存到TXT。如果您检查此（）和此（）以及组合数据的具体内容，我会觉得
keras.layers.Embedding
和
weights
的格式不受欢迎。@AleksandarMakragićEdited.what
所有单词
，难道不是所有的单词==vocab吗？简单且简单，如果您尝试使用tf.keras和“pure”keras，那么以后可能会出现问题。如果调用此函数，我是否仍应使用
标记器？我有点困惑，这个嵌入层是否真的适合
标记器创建的表示。如果没有，那么我如何标记文本样本？好的，我设法找到了答案：您可以从gensim模型提取单词索引并向标记器提供信息：```词汇={word:vector.index for word，vector in embedded.vocab.items（）}tk=标记器（num\u words=len（词汇））tk.word\u索引=词汇tk.text\u to\u序列（样本）“``这里介绍如何将GENSIM模型合并到Keras中