在 Windows 上使用 Word2vec 和 TensorFlow答案

【问题标题】：Using Word2vec with Tensorflow on Windows在 Windows 上使用 Word2vec 和 TensorFlow
【发布时间】：2017-07-24 12:51:02
【问题描述】：

在 Tensorflow 的 this tutorial file 中找到以下行（第 45 行）以加载 word2vec“扩展”：

word2vec = tf.load_op_library(os.path.join(os.path.dirname(os.path.realpath(__file__)), 'word2vec_ops.so'))

我使用的是 Windows 10，正如this SO question 中指出的那样，.so-文件适用于 Linux。

在 Windows 上加载的等效扩展是什么？

另外，我不明白为什么安装时 Tensorflow 中还包含这么多其他内容，但 Word2Vec 必须在本地构建。在文档 Installing TensorFlow on Windows 中，没有提到必须构建这些扩展。

这是一种旧的做法，现在已经改变并且所有东西都随安装一起提供？如果是这样，该更改如何应用于示例中的 word2vec 模块？

【问题讨论】：

标签： python windows tensorflow

【解决方案1】：

是的，它已经改变了！ Tensorflow 现在包含一个辅助函数 tf.nn.embedding_lookup，它可以让嵌入数据变得非常容易。

你可以通过像this这样的方式来使用它，即

embeddings = tf.Variable(
    tf.random_uniform([vocabulary_size, embedding_size], -1.0, 1.0))

nce_weights = tf.Variable(
  tf.truncated_normal([vocabulary_size, embedding_size],
                      stddev=1.0 / math.sqrt(embedding_size)))
nce_biases = tf.Variable(tf.zeros([vocabulary_size]))

# Placeholders for inputs
train_inputs = tf.placeholder(tf.int32, shape=[batch_size])
train_labels = tf.placeholder(tf.int32, shape=[batch_size, 1])

embed = tf.nn.embedding_lookup(embeddings, train_inputs)

# Compute the NCE loss, using a sample of the negative labels each time.
loss = tf.reduce_mean(
  tf.nn.nce_loss(weights=nce_weights,
                 biases=nce_biases,
                 labels=train_labels,
                 inputs=embed,
                 num_sampled=num_sampled,
                 num_classes=vocabulary_size))
# We use the SGD optimizer.
optimizer = tf.train.GradientDescentOptimizer(learning_rate=1.0).minimize(loss)

for inputs, labels in generate_batch(...):
  feed_dict = {train_inputs: inputs, train_labels: labels}
  _, cur_loss = session.run([optimizer, loss], feed_dict=feed_dict)

完整代码为here。

一般来说，我会犹豫过度依赖 tensorflow/models 回购。它的一部分已经过时了。主要的tensorflow/tensorflow repo 维护得更好。

【讨论】：