训练前无法提供训练前字词嵌入

Question

我想在训练之前加载预训练词嵌入，而不是在每个train_steps都加载它。 我按照这个步骤后 。 但是它将显示错误：

您必须使用dtype float和shape [2000002,300]输入占位符张量'word_embedding_placeholder'的值

这是大致的代码：

embeddings_var = tf.Variable(tf.random_uniform([vocabulary_size, embedding_dim], -1.0, 1.0), trainable=False)
embedding_placeholder = tf.placeholder(tf.float32, [vocabulary_size, embedding_dim], name='word_embedding_placeholder')
embedding_init = embeddings_var.assign(embedding_placeholder)  # assign exist word embeddings
batch_embedded = tf.nn.embedding_lookup(embedding_init, batch_ph)


sess = tf.Session()
train_steps = round(len(X_train) / BATCH_SIZE)

train_iterator, train_next_element = get_dataset_iterator(X_train, y_train, BATCH_SIZE, training_epochs)

sess.run(init_g)
sess.run(train_iterator.initializer)
_ = sess.run(embedding_init, feed_dict={embedding_placeholder: w2v})

for epoch in range(0, training_epochs):
    # Training steps
    for i in range(train_steps):
        X_train_input, y_train_input = sess.run(train_next_element)            
        seq_len = np.array([list(word_idx).index(PADDING_INDEX) if PADDING_INDEX in word_idx else len(word_idx) for word_idx in X_train_input])  # actual lengths of sequences
        train_loss, train_acc, _ = sess.run([loss, accuracy, optimizer],
                                   feed_dict={batch_ph: X_train_input,
                                              target_ph: y_train_input,
                                              seq_len_ph: seq_len,
                                              keep_prob_ph: KEEP_PROB})

当我在训练中将feed_dict更改为：

train_loss, train_acc, _ = sess.run([loss, accuracy, optimizer],
                                   feed_dict={batch_ph: X_train_input,
                                              target_ph: y_train_input,
                                              seq_len_ph: seq_len,
                                              keep_prob_ph: KEEP_PROB,
                                              embedding_placeholder: w2v})

它有效，但并不优雅。 有人遇到这个问题吗？

目标：我想在训练之前仅加载一次训练前嵌入。 而不是每次都重新计算embedding_init。

Answer 1

大概您在网络中的某处使用了batch_embedded，这意味着您在丢失时使用了它。 这意味着，无论何时在循环内对丢失执行sess.run时，都将重新计算batch_embedded，从而重新计算embedding_init，为此需要embedding_placeholder。 相反，您可以按以下方式初始化变量：

embeddings_var = tf.get_variable("embeddings_var", shape=[vocabulary_size, embedding_dim], initializer=tf.constant_initializer(w2v),  trainable=False)