我正在尝试通过本教程学习如何使用Elmo嵌入:
https://github.com/allenai/allennlp/blob/master/tutorials/how_to/elmo.md
我专门尝试使用如下所述的交互模式:
$ ipython
> from allennlp.commands.elmo import ElmoEmbedder
> elmo = ElmoEmbedder()
> tokens = ["I", "ate", "an", "apple", "for", "breakfast"]
> vectors = elmo.embed_sentence(tokens)
> assert(len(vectors) == 3) # one for each layer in the ELMo output
> assert(len(vectors[0]) == len(tokens)) # the vector elements
correspond with the input tokens
> import scipy
> vectors2 = elmo.embed_sentence(["I", "ate", "a", "carrot", "for",
"breakfast"])
> scipy.spatial.distance.cosine(vectors[2][3], vectors2[2][3]) # cosine
distance between "apple" and "carrot" in the last layer
0.18020617961883545
我的总体问题是,如何确保在原始5.5B集上使用经过预训练的elmo模型(在此处描述:https://allennlp.org/elmo)?
我不太明白为什么我们必须调用“断言”,或者为什么要对向量输出使用[2] [3]索引。
我的最终目的是对所有单词嵌入进行平均,以获得句子嵌入,因此,我想确保自己做对了!
感谢您的耐心等待,因为我在这方面还很陌生。
最佳答案
默认情况下,ElmoEmbedder
使用1 Bil Word基准上的预训练模型的原始权重和选项。大约8亿个代币。为确保使用最大的模型,请查看ElmoEmbedder
类的参数。从这里您可能会发现可以设置模型的选项和权重:
elmo = ElmoEmbedder(
options_file='https://s3-us-west-2.amazonaws.com/allennlp/models/elmo/2x4096_512_2048cnn_2xhighway_5.5B/elmo_2x4096_512_2048cnn_2xhighway_5.5B_options.json',
weight_file='https://s3-us-west-2.amazonaws.com/allennlp/models/elmo/2x4096_512_2048cnn_2xhighway_5.5B/elmo_2x4096_512_2048cnn_2xhighway_5.5B_weights.hdf5'
)
我从AllenNLP提供的预训练模型表中获得了这些链接。
assert
是测试和确保变量的特定值的便捷方法。看起来像a good resource以了解更多信息。例如,第一个assert
语句确保嵌入具有三个输出矩阵。除此之外,我们用
[i][j]
进行索引,因为模型输出3个层矩阵(在这里我们选择第i个),每个矩阵都有n
个令牌(在这里我们选择第j个),每个令牌的长度为1024。代码如何比较“苹果”和“胡萝卜”的相似性,两者都是索引j = 3的第四个标记。从示例文档中,我代表以下其中一项:第一层对应于上下文不敏感令牌
表示形式,然后是两个LSTM层。请参阅ELMo纸或
EMNLP 2018的后续工作,以描述什么类型的
信息在每一层中捕获。
本文提供了关于这两个LSTM层的详细信息。
最后,如果您有一组句子,则使用ELMO无需对令牌向量进行平均。该模型是基于字符的LSTM,在标记化的整个句子上都可以很好地工作。使用为句子组设计的一种方法:
embed_sentences()
,embed_batch()
等。More in the code!