tf.nn.embedding_lookup()-优快云博客

本文链接：https://blog.youkuaiyun.com/dongjbstrong/article/details/80163515

本文介绍如何使用 TensorFlow 的 embedding_lookup 函数实现基于索引的向量查找，并展示具体的 Python 代码示例及运行结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

a = np.identity(5, dtype=np.int32)
a[0,0] = 0
a[0,1] = 1
#print(a)

tf.reset_default_graph()


ids = tf.placeholder(tf.int32, shape=None)
embedding = tf.Variable(a)
embedding_look = tf.nn.embedding_lookup(embedding, ids)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    
    print(sess.run(embedding))
    
    print("\n")
    
    print(sess.run(embedding_look, feed_dict={ids:[1, 2, 3]}))

结果为：

[[0 1 0 0 0]
 [0 1 0 0 0]
 [0 0 1 0 0]
 [0 0 0 1 0]
 [0 0 0 0 1]]

[[0 1 0 0 0]
 [0 0 1 0 0]
 [0 0 0 1 0]]

当输入的ids为，

[[0, 1], 
 [1, 2]]

结果为：

[[0 1 0 0 0]
 [0 1 0 0 0]
 [0 0 1 0 0]
 [0 0 0 1 0]
 [0 0 0 0 1]]


[[[0 1 0 0 0]
  [0 1 0 0 0]]

 [[0 1 0 0 0]
  [0 0 1 0 0]]]

此函数用ids中的元素值当做tensor的下标，去查找embedding数组（tensor）中的对应行，然后组成一个新的数组返回。

返回的shape为：[ids.shape, params.shape[1]] #params 即为上述代码中所使用的embedding 查找表


embedding_matrix is a tensor of shape [vocabulary_size, embedding size]