从Sequential API到Functional API的Keras转换

Question

我一直在关注《走向数据科学》有关word2vec和skip-gram模型的教程，但我遇到了一个问题，尽管我搜索了很多并尝试了多次不成功的解决方案，但仍无法解决。

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

它展示了如何构建skip-gram模型架构的步骤似乎已经过时，因为使用了keras.layers中的Merge层。我尝试着将他所编写的代码（在Keras的Sequential API中实现）翻译成Functional API，以解决Merge层的弃用问题，并用keras.layers.Dot层代替它。然而，我仍然卡在将两个模型（单词和上下文）合并成最终模型的步骤中，其架构必须如下所示：

这是作者使用的代码：

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")

以下是我将顺序代码实现翻译成函数式代码的尝试：

from keras import models
from keras import layers
from keras import Input, Model

word_input = Input(shape=(1,))
word_x = layers.Embedding(vocab_size, embed_size, embeddings_initializer='glorot_uniform')(word_input)
word_reshape = layers.Reshape((embed_size,))(word_x)

word_model = Model(word_input, word_reshape)    

context_input = Input(shape=(1,))
context_x = layers.Embedding(vocab_size, embed_size, embeddings_initializer='glorot_uniform')(context_input)
context_reshape = layers.Reshape((embed_size,))(context_x)

context_model = Model(context_input, context_reshape)

model_input = layers.dot([word_model, context_model], axes=1, normalize=False)
model_output = layers.Dense(1, kernel_initializer='glorot_uniform', activation='sigmoid')

model = Model(model_input, model_output)

然而，当执行时，会返回以下错误：

ValueError: Layer dot_5 was called with an input that isn't a symbolic tensor. Received type: . Full input: [, ]. All inputs to the layer should be tensors.

我是Keras函数API的完全新手，如果您能在这种情况下为我提供一些指导，告诉我如何将上下文和单词模型输入到点层中以实现图像中的架构，我将不胜感激。

- Lucas Figueiredo

Answer 1

您正在将Model实例传递给层，但是如错误所示，您需要向Keras中的层传递Keras张量（即层或模型的输出）。这里有两个选择。一种方法是使用Model实例的.output属性，就像这样：

dot_output = layers.dot([word_model.output, context_model.output], axes=1, normalize=False)

或者，您可以直接使用输出张量：

dot_output = layers.dot([word_reshape, context_reshape], axes=1, normalize=False)

此外，您需要应用Dense层，该层在dot_output之后进行，并将Input层的实例作为Model的输入传递。因此：

model_output = layers.Dense(1, kernel_initializer='glorot_uniform',
                            activation='sigmoid')(dot_output)

model = Model([word_input, context_input], model_output)

- today