合并路缘石上的图层（点积）

Question

我一直在关注《数据科学》关于word2vec和skip-gram模型的教程，但是我偶然发现了一个我无法解决的问题，尽管我花了几个小时寻找这个问题，并尝试了很多不成功的解决方案。

https://towardsdatascience.com/understanding-feature-engineering-part-4-deep-learning-methods-for-text-data-96c44370bbfa

由于使用了keras.layers中的合并层，它向您展示如何构建skip-gram模型体系结构的步骤似乎已被弃用。

我对此进行了很多讨论，大多数的答案是现在需要使用Keras的函数API来合并层。但问题是，我完全是Keras的初学者，不知道如何将我的代码从顺序转换为函数，下面是作者使用（我复制）的代码：

from keras.layers import Merge
from keras.layers.core import Dense, Reshape
from keras.layers.embeddings import Embedding
from keras.models import Sequential

# build skip-gram architecture
word_model = Sequential()
word_model.add(Embedding(vocab_size, embed_size,
                         embeddings_initializer="glorot_uniform",
                         input_length=1))
word_model.add(Reshape((embed_size, )))

context_model = Sequential()
context_model.add(Embedding(vocab_size, embed_size,
                  embeddings_initializer="glorot_uniform",
                  input_length=1))
context_model.add(Reshape((embed_size,)))

model = Sequential()
model.add(Merge([word_model, context_model], mode="dot"))
model.add(Dense(1, kernel_initializer="glorot_uniform", activation="sigmoid"))
model.compile(loss="mean_squared_error", optimizer="rmsprop")

# view model summary
print(model.summary())

# visualize model structure
from IPython.display import SVG
from keras.utils.vis_utils import model_to_dot

SVG(model_to_dot(model, show_shapes=True, show_layer_names=False, 
rankdir='TB').create(prog='dot', format='svg'))

当我运行块时，会显示以下错误：

ImportError                               Traceback (most recent call last)
<ipython-input-79-80d604373468> in <module>()
----> 1 from keras.layers import Merge
      2 from keras.layers.core import Dense, Reshape
      3 from keras.layers.embeddings import Embedding
      4 from keras.models import Sequential
      5 

ImportError: cannot import name 'Merge'

我在这里要问的是如何将这个序列转换成一个功能性API结构的一些指导。

Answer 1

这确实改变了。对于点积，现在可以使用dot层：

from keras.layers import dot
...
dot_product = dot([target, context], axes=1, normalize=False)
...

当然，您必须根据数据设置axis参数。如果设置normalize=True，这将提供余弦近似值。有关详细信息，请参见the documentation。

要了解Keras的函数API，文档中有一个很好的guide to the functional API。如果您已经理解了顺序API，那么切换并不困难。