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。

  • 連続単語バッグモデル:周囲の文脈単語に基づいて中間単語を予測します。コンテキストは、現在の(中央の)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。
  • 連続スキップグラムモデル:同じ文の現在の単語の前後の特定の範囲内の単語を予測します。この実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。このチュートリアルには、トレーニングされた埋め込みをエクスポートし、 TensorFlow EmbeddingProjectorで視覚化するためのコードも含まれています。

スキップグラムとネガティブサンプリング

bag-of-words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、skip-gramモデルは、単語自体が与えられた場合に、単語のコンテキスト(または隣接するもの)を予測します。モデルはスキップグラムでトレーニングされます。スキップグラムは、トークンをスキップできるようにするnグラムです(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、 (target_word, context_word)のスキップグラムペアのセットを介して表すことができます。ここで、 context_wordtarget_wordの隣接するコンテキストに表示されます。

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、 context wordと見なすことができるtarget_wordの両側のワードのスパンを決定します。以下は、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表です。

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。一連の単語w1 、w 2 、... w Tの場合、目的は平均対数確率として記述できます。

word2vec_skipgram_objective

ここで、 cはトレーニング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

ここで、 vv 'は単語のターゲットおよびコンテキストベクトル表現であり、 Wは語彙サイズです。

この定式化の分母を計算するには、語彙の単語全体に対して完全なソフトマックスを実行する必要があります。これは、多くの場合、大きな(10 5 -10 7 )用語です。

ノイズコントラスト推定(NCE)損失関数は、完全なソフトマックスの効率的な近似です。単語の分布をモデル化する代わりに単語の埋め込みを学習することを目的として、負のサンプリングを使用するようにNCE損失を単純化できます。

ターゲット単語の単純化された負のサンプリングの目的は、単語のノイズ分布P n (w)から抽出されたnum_nsの負のサンプルからコンテキスト単語を区別することです。より正確には、語彙に対する完全なソフトマックスの効率的な近似は、スキップグラムペアの場合、コンテキスト単語とnum_nsの負のサンプル間の分類問題としてターゲット単語の損失をもたらすことです。

負のサンプルは、context_wordがtarget_wordwindow_size近傍に表示されないように、(target_word、 context_word (target_word, context_word)ペアとして定義されます。例文の場合、これらはいくつかの潜在的な負のサンプルです( window_size2の場合)。

(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。

広い道は暑い太陽の下できらめきました。

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'}

文をベクトル化する:

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のデータ準備を簡素化する便利な関数を提供します。 tf.keras.preprocessing.sequence.skipgramsを使用して、範囲[0, vocab_size) window_sizeトークンから指定されたtf.keras.preprocessing.sequence.skipgramsを使用してexample_sequenceからスキップグラムペアを生成できます。

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スキップグラムを印刷します。

for target, context in positive_skip_grams[:5]:
  print(f"({target}, {context}): ({inverse_vocab[target]}, {inverse_vocab[context]})")
(2, 3): (wide, road)
(5, 3): (in, road)
(4, 2): (shimmered, wide)
(1, 7): (the, sun)
(4, 1): (shimmered, the)
プレースホルダー16

1つのスキップグラムの負のサンプリング

skipgrams関数は、指定されたウィンドウスパン上をスライドすることにより、すべての正のスキップグラムペアを返します。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。 tf.random.log_uniform_candidate_sampler関数を使用して、ウィンドウ内の特定のターゲット単語のnum_ns個の負のサンプルをサンプリングします。 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']
プレースホルダー18

1つのトレーニング例を作成する

与えられたポジティブ(target_word, context_word)スキップグラムに対して、 target_wordのウィンドウサイズの近傍に表示されないnum_nsネガティブなサンプルコンテキストワードもあります。 1の正のcontext_wordnum_ns負のコンテキストワードを1つのテンソルにバッチ処理します。これにより、ターゲット単語ごとに一連の正のスキップグラム( 1とラベル付け)と負のサンプル( 0とラベル付け)が生成されます。

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

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

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

# Reshape the 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確認してください。

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    : 2
target_word     : wide
context_indices : [3 2 1 4 3]
context_words   : ['road', 'wide', 'the', 'shimmered', 'road']
label           : [1 0 0 0 0]

(target, context, label)テンソルのタプルは、スキップグラム陰性サンプリングword2vecモデルをトレーニングするための1つのトレーニング例を構成します。ターゲットは形状(1,)であり、コンテキストとラベルは形状(1+num_ns,)であることに注意してください。

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

概要

この図は、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

temperaturecodeという単語は入力文の一部ではないことに注意してください。これらは、上の図で使用されている他の特定のインデックスと同様に語彙に属しています。

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。一般的に発生する単語(、、 isonなど) theサンプリングから得られたトレーニング例は、モデルが学習するのに役立つ情報をあまり追加しません。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関数は、サンプリングテーブルの引数を受け入れて、任意のトークンをサンプリングする確率をエンコードします。 tf.keras.preprocessing.sequence.make_sampling_tableを使用して、単語頻度ランクベースの確率的サンプリングテーブルを生成し、それをskipgrams関数に渡すことができます。 vocab_sizeが10のサンプリング確率を調べます。

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]は、データセット内でi番目に一般的な単語をサンプリングする確率を示します。この関数は、サンプリング用の単語頻度のジップの分布を想定しています。

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 the 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 a 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、自分のデータでこのコードを実行します。

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
プレースホルダー28

ファイルからテキストを読み取り、最初の数行を印刷します。

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.

空でない行を使用して、次の手順のためにtf.data.TextLineDatasetオブジェクトを作成します。

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

TextVectorizationレイヤーを使用して、コーパスからの文をベクトル化できます。このテキスト分類チュートリアルで、このレイヤーの使用について詳しく学んでください。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、TextVectorizationレイヤーで使用できるcustom_standardization functionを定義します。

# 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 the 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 the `output_sequence_length` length to pad all samples to the
# same length.
vectorize_layer = layers.TextVectorization(
    standardize=custom_standardization,
    max_tokens=vocab_size,
    output_mode='int',
    output_sequence_length=sequence_length)

テキストデータセットでTextVectorization.adaptを呼び出して、語彙を作成します。

vectorize_layer.adapt(text_ds.batch(1024))

レイヤーの状態がテキストコーパスを表すように調整されたら、 TextVectorization.get_vocabularyを使用して語彙にアクセスできます。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']

これで、 vectorize_layerを使用して、 text_dstf.data.Dataset )の各要素のベクトルを生成できます。 Dataset.batchDataset.prefetchDataset.map 、およびDataset.unbatchを適用します。

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

データセットからシーケンスを取得します

これで、整数でエンコードされた文のtf.data.Datasetができました。 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、データセットを文の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ポジティブな例とネガティブな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

sequencesからいくつかの例を調べます。

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は、intでエンコードされた文のリストになりました。前に定義したgenerate_training_data関数を呼び出すだけで、word2vecモデルのトレーニング例が生成されます。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、コンテキスト、ラベルの長さは同じで、トレーニング例の総数を表す必要があります。

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 [00:40<00:00, 811.35it/s]
targets.shape: (66005,)
contexts.shape: (66005, 5)
labels.shape: (66005, 5)

パフォーマンスのためにデータセットを構成する

潜在的に多数のトレーニング例に対して効率的なバッチ処理を実行するには、 tf.data.Datasetを使用します。このステップの後、word2vecモデルをトレーニングするための(target_word, context_word), (label)要素のtf.data.Datasetオブジェクトが作成されます。

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 element_spec=((TensorSpec(shape=(1024,), dtype=tf.int64, name=None), TensorSpec(shape=(1024, 5), dtype=tf.int64, name=None)), TensorSpec(shape=(1024, 5), dtype=tf.int64, name=None))>

Dataset.cacheDataset.prefetchを適用して、パフォーマンスを向上させます。

dataset = dataset.cache().prefetch(buffer_size=AUTOTUNE)
print(dataset)
<PrefetchDataset element_spec=((TensorSpec(shape=(1024,), dtype=tf.int64, name=None), TensorSpec(shape=(1024, 5), dtype=tf.int64, name=None)), TensorSpec(shape=(1024, 5), dtype=tf.int64, name=None))>

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間で内積乗算を実行して、ラベルの予測を取得し、データセット内の真のラベルに対する損失関数を計算できます。

サブクラス化されたword2vecモデル

Keras Subclassing APIを使用して、次のレイヤーでword2vecモデルを定義します。

  • target_embeddingtf.keras.layers.Embeddingレイヤー。単語がターゲット単語として表示されたときに、単語の埋め込みを検索します。このレイヤーのパラメーターの数は(vocab_size * embedding_dim)です。
  • context_embedding :別のtf.keras.layers.Embeddingレイヤー。単語がコンテキスト単語として表示されたときに、単語の埋め込みを検索します。このレイヤーのパラメーターの数は、 target_embeddingのパラメーターの数と同じです。つまり(vocab_size * embedding_dim)です。
  • dots :トレーニングペアからのターゲットとコンテキストの埋め込みのドット積を計算するtf.keras.layers.Dotレイヤー。
  • flattendotsレイヤーの結果をロジットにフラット化するためのtf.keras.layers.Flattenレイヤー。

サブクラス化されたモデルを使用すると(target, context)ペアを受け入れるcall()関数を定義できます。このペアは、対応する埋め込みレイヤーに渡すことができます。 context_embeddingの形状を変更して、 target_embeddingを使用した内積を実行し、フラット化された結果を返します。

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、負のサンプリング損失の代わりにtf.keras.losses.CategoricalCrossEntropyを使用できます。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)。 tf.keras.optimizers.Adamオプティマイザーを使用してモデルをコンパイルします。

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、Tensorboard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")

いくつかのエポックについて、 datasetでモデルをトレーニングします。

word2vec.fit(dataset, epochs=20, callbacks=[tensorboard_callback])
Epoch 1/20
64/64 [==============================] - 1s 4ms/step - loss: 1.6081 - accuracy: 0.2343
Epoch 2/20
64/64 [==============================] - 0s 3ms/step - loss: 1.5878 - accuracy: 0.5475
Epoch 3/20
64/64 [==============================] - 0s 3ms/step - loss: 1.5381 - accuracy: 0.5813
Epoch 4/20
64/64 [==============================] - 0s 3ms/step - loss: 1.4545 - accuracy: 0.5620
Epoch 5/20
64/64 [==============================] - 0s 3ms/step - loss: 1.3567 - accuracy: 0.5764
Epoch 6/20
64/64 [==============================] - 0s 3ms/step - loss: 1.2603 - accuracy: 0.6070
Epoch 7/20
64/64 [==============================] - 0s 3ms/step - loss: 1.1703 - accuracy: 0.6403
Epoch 8/20
64/64 [==============================] - 0s 3ms/step - loss: 1.0866 - accuracy: 0.6756
Epoch 9/20
64/64 [==============================] - 0s 3ms/step - loss: 1.0090 - accuracy: 0.7087
Epoch 10/20
64/64 [==============================] - 0s 3ms/step - loss: 0.9368 - accuracy: 0.7371
Epoch 11/20
64/64 [==============================] - 0s 3ms/step - loss: 0.8699 - accuracy: 0.7631
Epoch 12/20
64/64 [==============================] - 0s 3ms/step - loss: 0.8081 - accuracy: 0.7849
Epoch 13/20
64/64 [==============================] - 0s 3ms/step - loss: 0.7512 - accuracy: 0.8052
Epoch 14/20
64/64 [==============================] - 0s 3ms/step - loss: 0.6991 - accuracy: 0.8230
Epoch 15/20
64/64 [==============================] - 0s 3ms/step - loss: 0.6514 - accuracy: 0.8378
Epoch 16/20
64/64 [==============================] - 0s 3ms/step - loss: 0.6079 - accuracy: 0.8517
Epoch 17/20
64/64 [==============================] - 0s 3ms/step - loss: 0.5683 - accuracy: 0.8641
Epoch 18/20
64/64 [==============================] - 0s 3ms/step - loss: 0.5322 - accuracy: 0.8747
Epoch 19/20
64/64 [==============================] - 0s 3ms/step - loss: 0.4994 - accuracy: 0.8844
Epoch 20/20
64/64 [==============================] - 0s 3ms/step - loss: 0.4695 - accuracy: 0.8935
<keras.callbacks.History at 0x7fc21c237050>

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。

#docs_infra: no_execute
%tensorboard --logdir logs

ルックアップと分析の埋め込み

Model.get_layerLayer.get_weightsを使用して、モデルから重みを取得します。 TextVectorization.get_vocabulary関数は、1行に1つのトークンを持つメタデータファイルを作成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()

ベクター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()

vectors.tsvmetadata.tsvをダウンロードして、 EmbeddingProjectorで取得した埋め込みを分析します。

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。