Tensorflow 如何建立二元分类的神经网络结构

我正在阅读有关神经网络的tensorflow教程，我发现架构部分有点混乱。有人能解释一下为什么他在代码中使用了以下设置吗

# input shape is the vocabulary count used for the movie reviews 

人声大小？ 嵌入值为16？ 对于单位的选择，我得到了最后一个密集层后面的直觉，因为它是一个二元分类（1），但为什么第二层有16个单位？ 嵌入层中的16个单元和第一致密层中的16个单元相关吗？他们应该平等吗

如果有人也能解释这段话

第一层是嵌入层。该层采用整数编码词汇表，并查找每个单词索引的嵌入向量。这些向量在模型训练时学习。向量向输出数组添加维度。结果维度为：（批、序列、嵌入）

资料来源：

---

第一层是

vocab_size

，因为每个单词都表示为词汇表的索引。例如，如果输入的单词是“word”，这是词汇表中的第500个单词，那么输入是一个长度为

vocab_size

的向量，除了索引500处的一个之外，该向量都是零。这通常被称为“一个热点”表示

嵌入层实质上是将这个巨大的输入向量压缩成一个较小的向量（在本例中，长度为16），该向量对单词的一些信息进行编码。与任何其他神经网络层一样，特定的嵌入权重是从训练中学习的。我建议你仔细阅读单词嵌入。16的长度在这里有点随意，但可以调整。我们可以去掉这个嵌入层，但是模型的表达能力会降低（它只是逻辑回归，这是一个线性模型）

---

然后，正如您所说，最后一层只是根据嵌入预测单词的类别。

第一层是

vocab_size

，因为每个单词都表示为词汇表的索引。例如，如果输入的单词是“word”，这是词汇表中的第500个单词，那么输入是一个长度为

vocab_size

的向量，除了索引500处的一个之外，该向量都是零。这通常被称为“一个热点”表示

嵌入层实质上是将这个巨大的输入向量压缩成一个较小的向量（在本例中，长度为16），该向量对单词的一些信息进行编码。与任何其他神经网络层一样，特定的嵌入权重是从训练中学习的。我建议你仔细阅读单词嵌入。16的长度在这里有点随意，但可以调整。我们可以去掉这个嵌入层，但是模型的表达能力会降低（它只是逻辑回归，这是一个线性模型）

然后，正如您所说，最后一层只是基于嵌入预测单词的类别。

• vocab_size：语料库中的所有单词（在本例中为IMDB）根据频率和提取的前10000个单词进行排序。剩下的词汇将被忽略。例如：这真的很奇怪，YYYY将转换为==>[8 7 9]。您可能会猜到，Fancyyyyyyy被忽略，因为它不在前10000个单词中
• 填充顺序：将所有句子转换为相同大小。例如，在训练语料库中，文档长度是不同的。所以它们都转换为seq_len=256。完成此步骤后，您的输出为

  [批次大小*序列长度]

---

• 嵌入：将每个单词转换为16维向量。因此，该步骤的输出是一个大小为

  [Batch\u size*seq\u len*embedding\u dim]

  的张量
• GlobalAveragePoolg1d：将大小为

  [批量大小*顺序大小*嵌入大小]

  的序列转换为

  [批量大小*嵌入大小]

• 单位：是密集层（MLP层）的输出。它将

  [批量大小*嵌入尺寸]

  转换为

  [批量大小*单位]

• vocab_size：语料库中的所有单词（在本例中为IMDB）根据频率和提取的前10000个单词进行排序。剩下的词汇将被忽略。例如：这真的很奇怪，YYYY将转换为==>[8 7 9]。您可能会猜到，Fancyyyyyyy被忽略，因为它不在前10000个单词中
• 填充顺序：将所有句子转换为相同大小。例如，在训练语料库中，文档长度是不同的。所以它们都转换为seq_len=256。完成此步骤后，您的输出为

  [批次大小*序列长度]

---

• 嵌入：将每个单词转换为16维向量。因此，该步骤的输出是一个大小为

  [Batch\u size*seq\u len*embedding\u dim]

  的张量
• GlobalAveragePoolg1d：将大小为

  [批量大小*顺序大小*嵌入大小]

  的序列转换为

  [批量大小*嵌入大小]

• 单位：是密集层（MLP层）的输出。它将

  [批量大小*嵌入尺寸]

  转换为

  [批量大小*单位]

---

“每个单词转换成16维向量”只是想知道，为什么是16维？在更多的事情上，为什么他在导入数据集imdb=keras.datasets.imdb（train\u data，train\u labels），（test\u data，test\u labels）=imdb.load\u data（num\u words=10000）时已经做了vocab size的事情，他又在做了一次@这是一个任意数字。你可以将其更改为任何你想要的。“每个单词转换为16维向量”只是想知道，为什么是16维？在更多的事情上，当他导入数据集imdb=keras.datasets.imdb（train_data，train_labels），（test_data，test_labels）=imdb.load_data时，为什么他又在做vocab大小的事情（字数=10

(10,000 words)
vocab_size = 10000

model = keras.Sequential()
model.add(keras.layers.Embedding(vocab_size, 16))
model.add(keras.layers.GlobalAveragePooling1D())
model.add(keras.layers.Dense(16, activation=tf.nn.relu))
model.add(keras.layers.Dense(1, activation=tf.nn.sigmoid))

model.summary()