本文共 1462 字，大约阅读时间需要 4 分钟。
import tensorflow as tf src_vocab_size = 10src_embed_size = 5source = [1,3]with tf.variable_scope("encoder"): embedding_encoder = tf.get_variable( "embedding_encoder", [src_vocab_size, src_embed_size], tf.float32)encoder_emb_inp = tf.nn.embedding_lookup( embedding_encoder, source)init = tf.global_variables_initializer()with tf.Session() as sess: sess.run(init) emb_mat = sess.run(embedding_encoder) for line in emb_mat: print line en_input = sess.run(encoder_emb_inp) print for line in en_input: print line 输出结果：
[ 0.56113797 0.04369807 0.18308383 -0.48125005 -0.43450889][-0.6047132 -0.21060479 0.40796143 -0.40531671 0.55036896][ 0.31311834 -0.4060598 0.36560428 0.2722581 -0.02451819][ 0.18635517 -0.12266624 -0.39344144 -0.1277926 -0.45468265][ 0.30129766 0.56903845 -0.03529584 -0.33247966 0.45404953][-0.58887643 0.50933784 -0.19886917 -0.03041148 -0.44376266][ 0.35494697 0.25374722 0.41377074 0.06932443 -0.21179438][ 0.10084659 -0.60172981 0.49977249 -0.28413546 -0.33590576][-0.01577765 0.41795093 0.43442172 0.59790486 0.58752233][ 0.42998117 -0.0969131 -0.34563044 0.16796118 0.62855309][-0.6047132 -0.21060479 0.40796143 -0.40531671 0.55036896][ 0.18635517 -0.12266624 -0.39344144 -0.1277926 -0.45468265]
1、对于one-hot的编码embedding操作
2、embedding_lookup即去矩阵中的某一行，同时其不是简单的查表，id对应的向量是可以训练，即其实一个全连接 3、在分类模型中用id类的特征，注意希望模型能够记住信息，但是id的维度太高，同一个商品数量也不大，因此可以用iterm embedding来代替id转载地址：http://oldoi.baihongyu.com/