tf.nn.embedding_lookup

关注

原创最新推荐文章于 2026-05-08 07:08:43 发布 245 阅读 AI 写同款· GEO 优化 ›

AI人工智能与TensorFlow的教育科技应用随着科技的飞速发展，AI人工智能在各个领域都展现出了巨大的潜力，教育领域也不例外。本文章的目的在于深入探讨AI人工智能与TensorFlow在教育科技中的具体应用，包括智能教学系统的开发、学生学习情况的评估与预测等方面。范围涵盖了从基础概念到实际项目应用的各个层面，旨在为教育科技工作者和相关研究者提供全面且深入的技术指导。本文将首先介绍AI人工智能和TensorFlow的核心概念及其联系，让读者对相关技术有基本的了解。接着详细讲解核心算法原理和具体操作步骤，并结合数学模型和公式进行深入分析。阅读详情

tf.nn.embedding_look 通过参数 ids 查表检索params中对应位置的矩阵，进行维度的扩展，所以传入的是一维矩阵如[None, 1]，则输出 [None,1,embedding] 如果是多维的如[None, seq_length] ，则输出[None, seq_length, embedding_size]

tf.nn.embedding_lookup(
    params,
    ids,
    partition_strategy='mod',
    name=None,
    validate_indices=True,
    max_norm=None
)

作用：在params表中按照ids查询向量。params是一个词表，大小为NH，N为词的数量，H为词向量维度的大小。图中的params大小为310，表示有3个词，每个词有10维。一句话中有四个词，对应的id为0，2，0，1，按照ids在params中查找。(注意此处只是举例说明，params可以是任意含义的表，不一定是词表，可以是张量，可以是list)
在这里插入图片描述

import tensorflow as tf

    params = tf.constant([[0.1, 0.4, 0.5, 7.0, 6.4, 1.2, 0.5, 0.3, 3.3, 2.0],
                          [0.3, 0.4, 0.9, 0.8, 0.5, 0.3, 0.7, 0.5, 0.8, 3.2],
                          [0.4, 0.9, 1.1, 4.3, 3.4, 0.2, 0.3, 0.2, 0.5, 0.1]])
    ids = tf.constant([0, 2, 0, 1])
    ids_lookup =  tf.nn.embedding_lookup(params, ids)
    print("一维度的情况：ids:\n",ids,"\nids_lookup:\n", ids_lookup)

    ids_2 = tf.constant([[0, 2, 0, 1]])
    ids2_lookup = tf.nn.embedding_lookup(params, ids_2)
    print("多维的情况：ids_2:\n", ids_2, "\nids_2_lookup:\n", ids2_lookup)