实际上，如果你使用tensorflow.keras，你必须确保你的语料库中的tokens不要超过words_size或者嵌入层的input_dim，否则会报错。
如果您使用keras，那么您可以在嵌入层中更改input_dim，而无需更改语料库或令牌中的任何内容。 keras 将用 zero 向量替换词汇表之外的标记。
首先，如果使用tensorflow.keras会报错。
张量流
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Embedding, Input
import numpy as np
ip = Input(shape = (3,))
emb = Embedding(1, 2, trainable=True, mask_zero=True)(ip)
model = Model(ip, emb)
input_array = np.array([[5, 3, 1], [1, 2, 3]]) # out of vocabulary
model.compile("rmsprop", "mse")
output_array = model.predict(input_array)
print(output_array)
print(output_array.shape)
model.summary()
但如果我使用 keras 2.3.1，我不会收到任何错误。
keras 2.3.1
from keras.models import Model
from keras.layers import Embedding, Input
import numpy as np
ip = Input(shape = (3,))
emb = Embedding(1, 2, trainable=True, mask_zero=True)(ip)
model = Model(ip, emb)
input_array = np.array([[5, 3, 1], [1, 2, 3]])
model.compile("rmsprop", "mse")
output_array = model.predict(input_array)
print(output_array)
print(output_array.shape)
model.summary()
keras 对嵌入层有不同的实现。为了验证这一点，让我们去 keras 嵌入层。
https://github.com/keras-team/keras/blob/master/keras/layers/embeddings.py#L16
现在让我们看看调用函数。
def call(self, inputs):
if K.dtype(inputs) != 'int32':
inputs = K.cast(inputs, 'int32')
out = K.gather(self.embeddings, inputs)
return out
N.B：如果你想要 keras 2.3.1 的确切源代码，请到这里下载源代码：https://github.com/keras-team/keras/releases
但是如果我们去实现 tensorflow，那就不一样了。
https://github.com/tensorflow/tensorflow/blob/master/tensorflow/python/ops/embedding_ops.py
只是为了验证一下，调用函数写的不一样。
def call(self, inputs):
dtype = K.dtype(inputs)
if dtype != 'int32' and dtype != 'int64':
inputs = math_ops.cast(inputs, 'int32')
out = embedding_ops.embedding_lookup(self.embeddings, inputs)
return out
让我们像以前一样设计一个简单的网络并观察权重矩阵。
from keras.models import Model
from keras.layers import Embedding, Input
import numpy as np
ip = Input(shape = (3,))
emb = Embedding(1, 2, trainable=True, mask_zero=True)(ip)
model = Model(ip, emb)
input_array = np.array([[5, 3, 1], [1, 2, 3]])
model.compile("rmsprop", "mse")
output_array = model.predict(input_array)
print(output_array)
print(output_array.shape)
model.summary()
模型给出以下输出。
[[[0. 0.]
[0. 0.]
[0. 0.]]
[[0. 0.]
[0. 0.]
[0. 0.]]]
(2, 3, 2)
Model: "model_18"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
input_21 (InputLayer) (None, 3) 0
_________________________________________________________________
embedding_33 (Embedding) (None, 3, 2) 2
=================================================================
Total params: 2
Trainable params: 2
Non-trainable params: 0
好的，我们得到了一堆零，但默认的 weight_initializer 不是零！
那么，现在让我们观察一下权重矩阵吧。
import keras.backend as K
w = model.layers[1].get_weights()
print(w)
[array([[ 0.03680499, -0.04904002]], dtype=float32)]
其实也不是全零。
那么，为什么我们会得到零？
让我们改变对模型的输入。
作为 input_dim = 1 的唯一词汇索引，为 0。让我们将 0 作为输入之一传递。
from keras.models import Model
from keras.layers import Embedding, Input
import numpy as np
ip = Input(shape = (3,))
emb = Embedding(1, 2, trainable=True, mask_zero=True)(ip)
model = Model(ip, emb)
input_array = np.array([[5, 0, 1], [1, 2, 0]])
model.compile("rmsprop", "mse")
output_array = model.predict(input_array)
print(output_array)
print(output_array.shape)
model.summary()
现在，我们通过 0 的位置得到非零向量。
[[[ 0. 0. ]
[-0.04339869 -0.04900574]
[ 0. 0. ]]
[[ 0. 0. ]
[ 0. 0. ]
[-0.04339869 -0.04900574]]]
(2, 3, 2)
Model: "model_19"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
input_22 (InputLayer) (None, 3) 0
_________________________________________________________________
embedding_34 (Embedding) (None, 3, 2) 2
=================================================================
Total params: 2
Trainable params: 2
Non-trainable params: 0
简而言之，Keras 使用零向量映射任何词汇表外的词索引，这是合理的，因为对于那些位置，前向传递将确保所有贡献都是 NIL（尽管偏差可能会起作用）。这有点违反直觉，因为将词汇标记传递给模型似乎是一种开销（而不是仅仅在预处理步骤中删除它们）和不好的做法，但它是一个很好的解决方法来测试不同的 input_dim 而无需重新- 计算代币。