ヘルプKaggleにTensorFlowグレートバリアリーフを保護チャレンジに参加

Word2Vec

TensorFlow.orgで表示 GoogleColabで実行 GitHubでソースを表示 ノートブックをダウンロード

Word2Vecは単一のアルゴリズムではなく、大規模なデータセットから単語の埋め込みを学習するために使用できるモデルアーキテクチャと最適化のファミリーです。 Word2Vecを通じて学習した埋め込みは、さまざまなダウンストリームの自然言語処理タスクで成功することが証明されています。

これらの論文は、単語の表現を学習するための2つの方法を提案しました。

  • コンテキスト単語を取り巻くに基づいて、中央の単語を予測袋連続-のワードモデル。コンテキストは、現在の(中間の)単語の前後のいくつかの単語で構成されます。このアーキテクチャは、コンテキスト内の語順が重要ではないため、語順モデルと呼ばれます。
  • 同じ文で、現在の単語の前後の一定範囲内の単語を予測連続スキップ-gramモデル。これの実際の例を以下に示します。

このチュートリアルでは、スキップグラムアプローチを使用します。最初に、説明のために1つの文を使用して、スキップグラムやその他の概念を調べます。次に、小さなデータセットで独自のWord2Vecモデルをトレーニングします。また、このチュートリアルでは、それらを訓練された埋め込みをエクスポートし、視覚化するコードが含まれていTensorFlow埋め込みプロジェクター

スキップグラムとネガティブサンプリング

単語のバッグモデルは隣接するコンテキストが与えられた単語を予測しますが、スキップグラムモデルは単語自体が与えられた単語のコンテキスト(または隣接するもの)を予測します。モデルは、トークンをスキップできるnグラムであるスキップグラムでトレーニングされます(例については、下の図を参照してください)。単語のコンテキストは、スキップグラムペアのセットを表すことができる(target_word, context_word) context_wordの隣接文脈に現れるtarget_word

次の8語の文を考えてみましょう。

広い道は暑い太陽の下できらめきました。

この文の8つの単語のそれぞれのコンテキスト単語は、ウィンドウサイズによって定義されます。ウィンドウサイズは、のいずれかの側に単語のスパンを決定target_word考えることができるcontext word 。さまざまなウィンドウサイズに基づくターゲット単語のスキップグラムのこの表を見てください。

word2vec_skipgrams

スキップグラムモデルのトレーニングの目的は、ターゲット単語が与えられた場合にコンテキスト単語を予測する確率を最大化することです。 W 1、W 2ワードのシーケンスのため、... T wは、目的は、平均対数確率のように書くことができます。

word2vec_skipgram_objective

どこc訓練コンテキストのサイズです。基本的なスキップグラムの定式化は、softmax関数を使用してこの確率を定義します。

word2vec_full_softmax

VおよびV '単語の目標とコンテキストベクトル表現であり、Wは語彙のサイズです。

この製剤の分母を計算することは、多くの場合、大きい全体の語彙(10 5 -10 7)項を完全にソフトマックスを行うことを含みます。

ノイズ対照推定損失関数は、完全なソフトマックスのための効率的な近似です。代わりに、単語の分布をモデル化する単語の埋め込みを学ぶことが目的で、NCE損失が可能な簡略化され、負のサンプリングを使用します。

ターゲット単語対物サンプリング簡略負単語の(W)雑音分布P Nから引き出さnum_ns陰性サンプルからコンテクストワードを区別することです。より正確には、語彙を完全にソフトマックスの効率的な近似は、文脈語とnum_ns陰性サンプル間の分類問題として、ターゲット単語の損失を引き起こすために、スキップグラム対について、です。

陰性試料はcontext_wordが表示されないように(target_word、context_word)ペアとして定義されているwindow_size target_word付近。 (場合例文のために、これらは、いくつかの潜在的な負のサンプルであるwindow_size 2です)。

(hot, shimmered)
(wide, hot)
(wide, sun)

次のセクションでは、1つの文のスキップグラムとネガティブサンプルを生成します。また、チュートリアルの後半で、サブサンプリング手法について学習し、ポジティブトレーニングとネガティブトレーニングの例の分類モデルをトレーニングします。

設定

import io
import re
import string
import tqdm

import numpy as np

import tensorflow as tf
from tensorflow.keras import layers
# Load the TensorBoard notebook extension
%load_ext tensorboard
SEED = 42
AUTOTUNE = tf.data.AUTOTUNE

例文をベクトル化する

次の文を考えてみましょう。
The wide road shimmered in the hot sun.

文をトークン化します。

sentence = "The wide road shimmered in the hot sun"
tokens = list(sentence.lower().split())
print(len(tokens))
8

トークンから整数インデックスへのマッピングを保存するための語彙を作成します。

vocab, index = {}, 1  # start indexing from 1
vocab['<pad>'] = 0  # add a padding token
for token in tokens:
  if token not in vocab:
    vocab[token] = index
    index += 1
vocab_size = len(vocab)
print(vocab)
{'<pad>': 0, 'the': 1, 'wide': 2, 'road': 3, 'shimmered': 4, 'in': 5, 'hot': 6, 'sun': 7}

整数インデックスからトークンへのマッピングを保存するための逆語彙を作成します。

inverse_vocab = {index: token for token, index in vocab.items()}
print(inverse_vocab)
{0: '<pad>', 1: 'the', 2: 'wide', 3: 'road', 4: 'shimmered', 5: 'in', 6: 'hot', 7: 'sun'}

あなたの文をベクトル化します。

example_sequence = [vocab[word] for word in tokens]
print(example_sequence)
[1, 2, 3, 4, 5, 1, 6, 7]

1つの文からスキップグラムを生成する

tf.keras.preprocessing.sequenceモジュールはWord2Vecための簡素化データ準備こと便利な機能を提供します。あなたは使用することができますtf.keras.preprocessing.sequence.skipgramsからスキップグラムのペアを生成するexample_sequence与えてwindow_sizeの範囲内のトークンから[0, vocab_size)

window_size = 2
positive_skip_grams, _ = tf.keras.preprocessing.sequence.skipgrams(
      example_sequence,
      vocabulary_size=vocab_size,
      window_size=window_size,
      negative_samples=0)
print(len(positive_skip_grams))
26

いくつかのポジティブなスキップグラムを見てください。

for target, context in positive_skip_grams[:5]:
  print(f"({target}, {context}): ({inverse_vocab[target]}, {inverse_vocab[context]})")
(3, 1): (road, the)
(6, 1): (hot, the)
(2, 1): (wide, the)
(6, 7): (hot, sun)
(6, 5): (hot, in)

1つのスキップグラムの負のサンプリング

skipgrams与えられたウィンドウのスパンでスライドさせて戻り、すべての正のスキップグラムのペアを機能します。トレーニングのネガティブサンプルとして機能する追加のスキップグラムペアを生成するには、語彙からランダムな単語をサンプリングする必要があります。使用tf.random.log_uniform_candidate_samplerサンプルに関数をnum_nsウィンドウ内の指定されたターゲット単語に対して負のサンプル数。 1つのスキップグラムのターゲットワードで関数を呼び出し、コンテキストワードをtrueクラスとして渡して、サンプリングから除外することができます。

# Get target and context words for one positive skip-gram.
target_word, context_word = positive_skip_grams[0]

# Set the number of negative samples per positive context.
num_ns = 4

context_class = tf.reshape(tf.constant(context_word, dtype="int64"), (1, 1))
negative_sampling_candidates, _, _ = tf.random.log_uniform_candidate_sampler(
    true_classes=context_class,  # class that should be sampled as 'positive'
    num_true=1,  # each positive skip-gram has 1 positive context class
    num_sampled=num_ns,  # number of negative context words to sample
    unique=True,  # all the negative samples should be unique
    range_max=vocab_size,  # pick index of the samples from [0, vocab_size]
    seed=SEED,  # seed for reproducibility
    name="negative_sampling"  # name of this operation
)
print(negative_sampling_candidates)
print([inverse_vocab[index.numpy()] for index in negative_sampling_candidates])
tf.Tensor([2 1 4 3], shape=(4,), dtype=int64)
['wide', 'the', 'shimmered', 'road']

1つのトレーニング例を作成する

与えられた正の場合(target_word, context_word)スキップグラムを、あなたは今も持っているnum_nsのウィンドウサイズの周辺に表示されない負のサンプリングされたコンテキストの言葉target_word 。バッチ1context_wordnum_ns 1つのテンソルへの負のコンテキスト言葉。これは(とラベル正スキップグラムのセット生成1 (と表記)と陰性サンプル0各ターゲット単語のために)。

# Add a dimension so you can use concatenation (on the next step).
negative_sampling_candidates = tf.expand_dims(negative_sampling_candidates, 1)

# Concat positive context word with negative sampled words.
context = tf.concat([context_class, negative_sampling_candidates], 0)

# Label first context word as 1 (positive) followed by num_ns 0s (negative).
label = tf.constant([1] + [0]*num_ns, dtype="int64")

# Reshape target to shape (1,) and context and label to (num_ns+1,).
target = tf.squeeze(target_word)
context = tf.squeeze(context)
label = tf.squeeze(label)

上記のスキップグラムの例から、ターゲット単語のコンテキストと対応するラベルを見てください。

print(f"target_index    : {target}")
print(f"target_word     : {inverse_vocab[target_word]}")
print(f"context_indices : {context}")
print(f"context_words   : {[inverse_vocab[c.numpy()] for c in context]}")
print(f"label           : {label}")
target_index    : 3
target_word     : road
context_indices : [1 2 1 4 3]
context_words   : ['the', 'wide', 'the', 'shimmered', 'road']
label           : [1 0 0 0 0]

タプル(target, context, label)テンソルはWord2Vecモデルをサンプリングし、あなたのスキップグラムの負を訓練するための1つのトレーニング例を構成しています。ターゲット形状であることを通知(1,)コンテキストとラベル形状であるが(1+num_ns,)

print("target  :", target)
print("context :", context)
print("label   :", label)
target  : tf.Tensor(3, shape=(), dtype=int32)
context : tf.Tensor([1 2 1 4 3], shape=(5,), dtype=int64)
label   : tf.Tensor([1 0 0 0 0], shape=(5,), dtype=int64)

概要

この写真は、文からトレーニング例を生成する手順をまとめたものです。

word2vec_negative_sampling

すべてのステップを1つの関数にコンパイルします

スキップグラムサンプリングテーブル

データセットが大きいということは、語彙が多く、ストップワードなどの頻度の高い単語の数が多いことを意味します。一般的に出現する単語のサンプリングから得られたトレーニング例(のような、 the isonから学ぶためのモデルのために多くの有用な情報を追加しないでください)。ミコロフ他埋め込みの品質を向上させるための有用な方法として、頻繁な単語のサブサンプリングを提案します。

tf.keras.preprocessing.sequence.skipgrams機能は、任意のトークンをサンプリングのエンコード確率にサンプリングテーブルの引数を受け入れます。あなたは使用することができますtf.keras.preprocessing.sequence.make_sampling_table単語頻度ランク基づく確率サンプリングテーブルを生成し、それを渡すためにskipgrams機能。以下のためのサンプリング確率を見てみましょうvocab_size 10のを。

sampling_table = tf.keras.preprocessing.sequence.make_sampling_table(size=10)
print(sampling_table)
[0.00315225 0.00315225 0.00547597 0.00741556 0.00912817 0.01068435
 0.01212381 0.01347162 0.01474487 0.0159558 ]

sampling_table[i]表すデータセット内のi番目の最も一般的な単語をサンプリングする確率。関数が想定してジップの分布サンプリングのための単語の出現頻度のを。

トレーニングデータを生成する

上記のすべてのステップを、任意のテキストデータセットから取得したベクトル化された文のリストで呼び出すことができる関数にコンパイルします。スキップグラムの単語ペアをサンプリングする前に、サンプリングテーブルが作成されていることに注意してください。この関数は、後のセクションで使用します。

# Generates skip-gram pairs with negative sampling for a list of sequences
# (int-encoded sentences) based on window size, number of negative samples
# and vocabulary size.
def generate_training_data(sequences, window_size, num_ns, vocab_size, seed):
  # Elements of each training example are appended to these lists.
  targets, contexts, labels = [], [], []

  # Build the sampling table for vocab_size tokens.
  sampling_table = tf.keras.preprocessing.sequence.make_sampling_table(vocab_size)

  # Iterate over all sequences (sentences) in dataset.
  for sequence in tqdm.tqdm(sequences):

    # Generate positive skip-gram pairs for a sequence (sentence).
    positive_skip_grams, _ = tf.keras.preprocessing.sequence.skipgrams(
          sequence,
          vocabulary_size=vocab_size,
          sampling_table=sampling_table,
          window_size=window_size,
          negative_samples=0)

    # Iterate over each positive skip-gram pair to produce training examples
    # with positive context word and negative samples.
    for target_word, context_word in positive_skip_grams:
      context_class = tf.expand_dims(
          tf.constant([context_word], dtype="int64"), 1)
      negative_sampling_candidates, _, _ = tf.random.log_uniform_candidate_sampler(
          true_classes=context_class,
          num_true=1,
          num_sampled=num_ns,
          unique=True,
          range_max=vocab_size,
          seed=SEED,
          name="negative_sampling")

      # Build context and label vectors (for one target word)
      negative_sampling_candidates = tf.expand_dims(
          negative_sampling_candidates, 1)

      context = tf.concat([context_class, negative_sampling_candidates], 0)
      label = tf.constant([1] + [0]*num_ns, dtype="int64")

      # Append each element from the training example to global lists.
      targets.append(target_word)
      contexts.append(context)
      labels.append(label)

  return targets, contexts, labels

Word2Vecのトレーニングデータを準備する

スキップグラム陰性サンプリングベースのWord2Vecモデルで1つの文を処理する方法を理解すると、より多くの文のリストからトレーニング例を生成することができます。

テキストコーパスをダウンロード

このチュートリアルでは、シェイクスピアの執筆のテキストファイルを使用します。次の行を変更して、このコードを自分のデータで実行します。

path_to_file = tf.keras.utils.get_file('shakespeare.txt', 'https://storage.googleapis.com/download.tensorflow.org/data/shakespeare.txt')
Downloading data from https://storage.googleapis.com/download.tensorflow.org/data/shakespeare.txt
1122304/1115394 [==============================] - 0s 0us/step
1130496/1115394 [==============================] - 0s 0us/step

ファイルからテキストを読み、最初の数行を見てください。

with open(path_to_file) as f: 
  lines = f.read().splitlines()
for line in lines[:20]:
  print(line)
First Citizen:
Before we proceed any further, hear me speak.

All:
Speak, speak.

First Citizen:
You are all resolved rather to die than to famish?

All:
Resolved. resolved.

First Citizen:
First, you know Caius Marcius is chief enemy to the people.

All:
We know't, we know't.

First Citizen:
Let us kill him, and we'll have corn at our own price.

構築するために非空行を使用しtf.data.TextLineDataset次のステップのためのオブジェクトを。

text_ds = tf.data.TextLineDataset(path_to_file).filter(lambda x: tf.cast(tf.strings.length(x), bool))

コーパスから文をベクトル化する

あなたは使用することができますTextVectorizationコーパスからのセンテンスをベクトル化する層を。この中で、この層を使用しての詳細情報テキスト分類のチュートリアル。上記の最初の数文から、テキストは1つのケースである必要があり、句読点を削除する必要があることに注意してください。これを行うには、定義custom_standardization function TextVectorization層に使用することができます。

# Now, create a custom standardization function to lowercase the text and
# remove punctuation.
def custom_standardization(input_data):
  lowercase = tf.strings.lower(input_data)
  return tf.strings.regex_replace(lowercase,
                                  '[%s]' % re.escape(string.punctuation), '')


# Define the vocabulary size and number of words in a sequence.
vocab_size = 4096
sequence_length = 10

# Use the TextVectorization layer to normalize, split, and map strings to
# integers. Set output_sequence_length length to pad all samples to same length.
vectorize_layer = layers.TextVectorization(
    standardize=custom_standardization,
    max_tokens=vocab_size,
    output_mode='int',
    output_sequence_length=sequence_length)

コールadapt語彙を作成するには、テキストデータセットに。

vectorize_layer.adapt(text_ds.batch(1024))

層の状態は、テキストコーパスを表現するように適合されたならば、語彙を用いてアクセスすることができるget_vocabulary() 。この関数は、頻度でソート(降順)されたすべての語彙トークンのリストを返します。

# Save the created vocabulary for reference.
inverse_vocab = vectorize_layer.get_vocabulary()
print(inverse_vocab[:20])
['', '[UNK]', 'the', 'and', 'to', 'i', 'of', 'you', 'my', 'a', 'that', 'in', 'is', 'not', 'for', 'with', 'me', 'it', 'be', 'your']

vectorize_layerは現在の各要素のためのベクターを生成するために使用することができtext_ds

# Vectorize the data in text_ds.
text_vector_ds = text_ds.batch(1024).prefetch(AUTOTUNE).map(vectorize_layer).unbatch()

データセットから配列を取得する

あなたは今持っているtf.data.Dataset整数エンコードされた文章のを。 Word2Vecモデルをトレーニングするためのデータセットを準備するには、データセットを文ベクトルシーケンスのリストにフラット化します。このステップは、データセット内の各文を反復処理して正と負の例を生成するために必要です。

sequences = list(text_vector_ds.as_numpy_iterator())
print(len(sequences))
32777

いくつかの例を見てみましょうsequences

for seq in sequences[:5]:
  print(f"{seq} => {[inverse_vocab[i] for i in seq]}")
[ 89 270   0   0   0   0   0   0   0   0] => ['first', 'citizen', '', '', '', '', '', '', '', '']
[138  36 982 144 673 125  16 106   0   0] => ['before', 'we', 'proceed', 'any', 'further', 'hear', 'me', 'speak', '', '']
[34  0  0  0  0  0  0  0  0  0] => ['all', '', '', '', '', '', '', '', '', '']
[106 106   0   0   0   0   0   0   0   0] => ['speak', 'speak', '', '', '', '', '', '', '', '']
[ 89 270   0   0   0   0   0   0   0   0] => ['first', 'citizen', '', '', '', '', '', '', '', '']

シーケンスからトレーニング例を生成する

sequences今のintエンコードされた文章のリストです。ただ、呼び出しgenerate_training_data()関数はWord2Vecモデルのための訓練例を生成するために、先に定義されました。要約すると、関数は各シーケンスの各単語を繰り返し処理して、正と負のコンテキスト単語を収集します。ターゲットの長さ、コンテキスト、ラベルは同じである必要があり、トレーニング例の総数を表します。

targets, contexts, labels = generate_training_data(
    sequences=sequences,
    window_size=2,
    num_ns=4,
    vocab_size=vocab_size,
    seed=SEED)

targets = np.array(targets)
contexts = np.array(contexts)[:,:,0]
labels = np.array(labels)

print('\n')
print(f"targets.shape: {targets.shape}")
print(f"contexts.shape: {contexts.shape}")
print(f"labels.shape: {labels.shape}")
100%|██████████| 32777/32777 [00:33<00:00, 976.91it/s]
targets.shape: (64889,)
contexts.shape: (64889, 5)
labels.shape: (64889, 5)

パフォーマンスのためにデータセットを構成する

訓練例の潜在的に多数のための効率的なバッチ処理を実行するには、使用tf.data.Dataset APIを。このステップの後、あなたは持っているでしょうtf.data.Datasetのオブジェクト(target_word, context_word), (label)あなたのWord2Vecモデルを訓練するための要素を!

BATCH_SIZE = 1024
BUFFER_SIZE = 10000
dataset = tf.data.Dataset.from_tensor_slices(((targets, contexts), labels))
dataset = dataset.shuffle(BUFFER_SIZE).batch(BATCH_SIZE, drop_remainder=True)
print(dataset)
<BatchDataset shapes: (((1024,), (1024, 5)), (1024, 5)), types: ((tf.int64, tf.int64), tf.int64)>

追加cache()およびprefetch()のパフォーマンスを向上させることができます。

dataset = dataset.cache().prefetch(buffer_size=AUTOTUNE)
print(dataset)
<PrefetchDataset shapes: (((1024,), (1024, 5)), (1024, 5)), types: ((tf.int64, tf.int64), tf.int64)>

モデルとトレーニング

Word2Vecモデルは、スキップグラムからの真のコンテキストワードとネガティブサンプリングによって取得された偽のコンテキストワードを区別するための分類子として実装できます。ターゲットワードとコンテキストワードの埋め込みの間に内積を実行して、ラベルの予測を取得し、データセット内の実際のラベルに対する損失を計算できます。

サブクラス化されたWord2Vecモデル

使用KerasサブクラスのAPIを以下の層であなたのWord2Vecモデルを定義するには:

  • target_embedding :A tf.keras.layers.Embeddingそれは対象の単語として表示されたときに単語の埋め込みを見上げ層を。この層内のパラメータの数である(vocab_size * embedding_dim)
  • context_embedding :別tf.keras.layers.Embeddingそれは文脈語として表示されたときに単語の埋め込みを見上げ層。この層内のパラメータの数はと同じであるtarget_embedding 、すなわち(vocab_size * embedding_dim)
  • dots :A tf.keras.layers.Dotトレーニング組からターゲットとコンテキスト埋め込みのドット積を計算する層。
  • flatten :A tf.keras.layers.Flatten結果平坦化する層dots logitsにレイヤーを。

サブクラス化されたモデルを使用すると、定義することができますcall()受け入れ機能(target, context)そしてそれらに対応する埋め込み層に渡すことができるのペアを。リシェイプcontext_embeddingと内積を実行するためにtarget_embeddingと平らに結果を返します。

class Word2Vec(tf.keras.Model):
  def __init__(self, vocab_size, embedding_dim):
    super(Word2Vec, self).__init__()
    self.target_embedding = layers.Embedding(vocab_size,
                                      embedding_dim,
                                      input_length=1,
                                      name="w2v_embedding")
    self.context_embedding = layers.Embedding(vocab_size,
                                       embedding_dim,
                                       input_length=num_ns+1)

  def call(self, pair):
    target, context = pair
    # target: (batch, dummy?)  # The dummy axis doesn't exist in TF2.7+
    # context: (batch, context)
    if len(target.shape) == 2:
      target = tf.squeeze(target, axis=1)
    # target: (batch,)
    word_emb = self.target_embedding(target)
    # word_emb: (batch, embed)
    context_emb = self.context_embedding(context)
    # context_emb: (batch, context, embed)
    dots = tf.einsum('be,bce->bc', word_emb, context_emb)
    # dots: (batch, context)
    return dots

損失関数を定義し、モデルをコンパイルします

簡単にするためには、使用することができますtf.keras.losses.CategoricalCrossEntropy負サンプリング損失の代替として。独自のカスタム損失関数を作成する場合は、次のようにすることもできます。

def custom_loss(x_logit, y_true):
      return tf.nn.sigmoid_cross_entropy_with_logits(logits=x_logit, labels=y_true)

モデルを作成する時が来ました! 128の埋め込みディメンションを使用してWord2Vecクラスをインスタンス化します(さまざまな値を試すことができます)。でモデルをコンパイルしtf.keras.optimizers.Adamオプティマイザ。

embedding_dim = 128
word2vec = Word2Vec(vocab_size, embedding_dim)
word2vec.compile(optimizer='adam',
                 loss=tf.keras.losses.CategoricalCrossentropy(from_logits=True),
                 metrics=['accuracy'])

また、テンソルボードのトレーニング統計をログに記録するためのコールバックを定義します。

tensorboard_callback = tf.keras.callbacks.TensorBoard(log_dir="logs")

でモデルを訓練datasetエポックのいくつかの数の上で調製。

word2vec.fit(dataset, epochs=20, callbacks=[tensorboard_callback])
Epoch 1/20
63/63 [==============================] - 1s 9ms/step - loss: 1.6083 - accuracy: 0.2309
Epoch 2/20
63/63 [==============================] - 0s 2ms/step - loss: 1.5890 - accuracy: 0.5520
Epoch 3/20
63/63 [==============================] - 0s 3ms/step - loss: 1.5413 - accuracy: 0.6021
Epoch 4/20
63/63 [==============================] - 0s 2ms/step - loss: 1.4584 - accuracy: 0.5789
Epoch 5/20
63/63 [==============================] - 0s 2ms/step - loss: 1.3598 - accuracy: 0.5857
Epoch 6/20
63/63 [==============================] - 0s 2ms/step - loss: 1.2622 - accuracy: 0.6127
Epoch 7/20
63/63 [==============================] - 0s 2ms/step - loss: 1.1710 - accuracy: 0.6456
Epoch 8/20
63/63 [==============================] - 0s 2ms/step - loss: 1.0867 - accuracy: 0.6804
Epoch 9/20
63/63 [==============================] - 0s 3ms/step - loss: 1.0085 - accuracy: 0.7123
Epoch 10/20
63/63 [==============================] - 0s 2ms/step - loss: 0.9361 - accuracy: 0.7418
Epoch 11/20
63/63 [==============================] - 0s 2ms/step - loss: 0.8690 - accuracy: 0.7669
Epoch 12/20
63/63 [==============================] - 0s 2ms/step - loss: 0.8070 - accuracy: 0.7891
Epoch 13/20
63/63 [==============================] - 0s 2ms/step - loss: 0.7500 - accuracy: 0.8082
Epoch 14/20
63/63 [==============================] - 0s 3ms/step - loss: 0.6977 - accuracy: 0.8249
Epoch 15/20
63/63 [==============================] - 0s 3ms/step - loss: 0.6498 - accuracy: 0.8393
Epoch 16/20
63/63 [==============================] - 0s 3ms/step - loss: 0.6061 - accuracy: 0.8528
Epoch 17/20
63/63 [==============================] - 0s 3ms/step - loss: 0.5663 - accuracy: 0.8651
Epoch 18/20
63/63 [==============================] - 0s 3ms/step - loss: 0.5300 - accuracy: 0.8762
Epoch 19/20
63/63 [==============================] - 0s 2ms/step - loss: 0.4970 - accuracy: 0.8858
Epoch 20/20
63/63 [==============================] - 0s 2ms/step - loss: 0.4670 - accuracy: 0.8947
<keras.callbacks.History at 0x7fbea4362490>

Tensorboardは、Word2Vecモデルの精度と損失を表示するようになりました。

%tensorboard --logdir logs

ルックアップと分析の埋め込み

使用してモデルから重みを取得しget_layer()get_weights() get_vocabulary()関数は、1行に1つのトークンとメタデータファイルを構築するための語彙を提供します。

weights = word2vec.get_layer('w2v_embedding').get_weights()[0]
vocab = vectorize_layer.get_vocabulary()

ベクトルとメタデータファイルを作成して保存します。

out_v = io.open('vectors.tsv', 'w', encoding='utf-8')
out_m = io.open('metadata.tsv', 'w', encoding='utf-8')

for index, word in enumerate(vocab):
  if index == 0:
    continue  # skip 0, it's padding.
  vec = weights[index]
  out_v.write('\t'.join([str(x) for x in vec]) + "\n")
  out_m.write(word + "\n")
out_v.close()
out_m.close()

ダウンロードvectors.tsvmetadata.tsv得られた埋め込み分析するために埋め込みプロジェクターを

try:
  from google.colab import files
  files.download('vectors.tsv')
  files.download('metadata.tsv')
except Exception:
  pass

次のステップ

このチュートリアルでは、最初からネガティブサンプリングを使用してスキップグラムWord2Vecモデルを実装し、取得した単語の埋め込みを視覚化する方法を示しました。