tensorflow中的语言建模-如何结合嵌入和softmax权重

正如最近的语言建模论文所建议的，我想在我的RNN语言模型中使用权重绑定。也就是说，我想在嵌入层和softmax层之间共享权重。然而，我不确定如何在TensorFlow中实现这一点

我的网络接收形状

（批次大小、序列长度）

的输入。嵌入矩阵具有shape

（vocab\u size，embedding\u size）

，并按如下方式创建（我使用预先训练好的word2vec嵌入）：

Logit的计算如下所示：

            output, self.final_state = tf.nn.dynamic_rnn(
                cell,
                inputs=self.inputs,
                initial_state=self.init_state)

            self.output_flat = tf.reshape(output, [-1, cell.output_size])
            softmax_w = tf.get_variable("softmax_w", [self.n_hidden, self.vocab_size], dtype=tf.float32)

            softmax_b = tf.get_variable("softmax_b", [self.vocab_size], dtype=tf.float32)
            logits = tf.nn.xw_plus_b(self.output_flat, softmax_w, softmax_b)
            # Reshape logits to be a 3-D tensor
            self.logits = tf.reshape(logits, [self.batch_size, self.seq_length, self.vocab_size])

我的问题是：

必须更改为使用嵌入权重的矩阵是

softmax\u w

，对吗

softmax\u w

具有形状

（n\u隐藏，声音大小）

。这与嵌入矩阵的大小有什么关系？或者我必须确保n_hidden=嵌入大小

如何在TensorFlow中重用嵌入权重？我知道我必须在变量范围内使用

reuse=True

---

我已经找到了如何正确实施权重分配的方法：

        with tf.variable_scope('embedding'):
            self.embedding_matrix = tf.get_variable( "embedding", shape=[self.vocab_size, self.n_hidden], dtype=tf.float32, initializer=self.initializer)

            [...]

            # tie input embedding weights to output embedding weights
            with tf.variable_scope("embedding", reuse=True):
                self.softmax_w = tf.transpose(tf.get_variable('embedding'))

            # Set output bias vector to zero as outlined paper
            softmax_b = tf.zeros(shape=[self.vocab_size], dtype=tf.float32, name="softmax_b")

---

当你想在一个模型中使用一个网络两次时，你知道作为一个函数该怎么做吗？

        with tf.variable_scope('embedding'):
            self.embedding_matrix = tf.get_variable( "embedding", shape=[self.vocab_size, self.n_hidden], dtype=tf.float32, initializer=self.initializer)

            [...]

            # tie input embedding weights to output embedding weights
            with tf.variable_scope("embedding", reuse=True):
                self.softmax_w = tf.transpose(tf.get_variable('embedding'))

            # Set output bias vector to zero as outlined paper
            softmax_b = tf.zeros(shape=[self.vocab_size], dtype=tf.float32, name="softmax_b")