我正在使用Keras（tensorflow backend），想知道如何将多个嵌入层添加到Keras序列模型中。
更具体地说，我的数据集中有几个列具有分类值，我考虑过使用一种热编码，但已确定分类项的数量为数百个，这会导致列集过大且过于稀疏。在寻找解决方案时，我发现Keras的嵌入层似乎非常优雅地解决了这个问题。然而，大多数的例子（和Keras文档）说明了一个非常简单的情况，只有一个嵌入层。
不幸的是，我不知道如何将多个嵌入层作为输入集成到单个模型中。
我的代码看起来是这样的，但它不起作用，我猜多个嵌入层按顺序（第一个嵌入层是输入第二个嵌入层，依此类推）而不是模型的多个输入源：
model = Sequential()
model.add(Embedding(500, 64, input_length=10)) # categorical col 1
model.add(Embedding(100, 64, input_length=10)) # categorical col 2
model.add(Embedding(500, 64, input_length=10)) # categorical col 3
model.add(Flatten...
model.add(Dense...
我的问题是如何建立一个Keras序列模型，以便能够使用上面显示的三个嵌入层。第一层和最后一层之间的具体内容：
model = Sequential()
#
# What goes here?
#
model.add(Dense...
我是在正确的轨道上，还是我的方法不正确，我需要以不同的方式建立模型？如有任何建议/例子，敬请垂询！
最佳答案
如果切换到functional API，则可以轻松完成此操作，首先读取。然后，可以使用表示不同列的多个输入构建模型：
col1, col2, col3 = Input(shape=(10,)), Input(shape=(10,)), ...
col1_embeded = Embedding(500, 64)(col1)
col2_embedded = Embedding(100, 64)(col2)
# ...
这些层的要点是构建计算图的可调用对象。例如，您还可以通过使用相同的嵌入层在列之间共享嵌入层。