Come inizializzare un nuovo modello word2vec con pesi modello pre-allenati?

Sto usando Gensim Library in Python per l'utilizzo e l'addestramento del modello word2vector. Di recente, stavo cercando di inizializzare i pesi del mio modello con alcuni modelli word2vec pre-addestrati come (modello preinstallato GoogleNewDataset). Ho avuto delle difficoltà per un paio di settimane. Ora, ho appena scoperto che in gesim esiste una funzione che può aiutarmi a inizializzare i pesi del mio modello con pesi modello pre-allenati. Questo è menzionato di seguito:

reset_from(other_model)

    Borrow shareable pre-built structures (like vocab) from the other_model. Useful if testing multiple models in parallel on the same corpus.

Non so che questa funzione può fare la stessa cosa o no. Per favore aiuto!!!

Grazie ad Abhishek. L'ho capito! Ecco i miei esperimenti.

1). tracciamo un semplice esempio:

from gensim.models import Word2Vec
from sklearn.decomposition import PCA
from matplotlib import pyplot
# define training data
sentences = [['this', 'is', 'the', 'first', 'sentence', 'for', 'word2vec'],
            ['this', 'is', 'the', 'second', 'sentence'],
            ['yet', 'another', 'sentence'],
            ['one', 'more', 'sentence'],
            ['and', 'the', 'final', 'sentence']]
# train model
model_1 = Word2Vec(sentences, size=300, min_count=1)

# fit a 2d PCA model to the vectors
X = model_1[model_1.wv.vocab]
pca = PCA(n_components=2)
result = pca.fit_transform(X)
# create a scatter plot of the projection
pyplot.scatter(result[:, 0], result[:, 1])
words = list(model_1.wv.vocab)
for i, word in enumerate(words):
    pyplot.annotate(word, xy=(result[i, 0], result[i, 1]))
pyplot.show()

Dalle trame di cui sopra, possiamo vedere che le frasi facili non possono distinguere il significato di parole diverse per distanza.

2). Carica incorporamento parole pre-addestrato:

from gensim.models import KeyedVectors

model_2 = Word2Vec(size=300, min_count=1)
model_2.build_vocab(sentences)
total_examples = model_2.corpus_count
model = KeyedVectors.load_word2vec_format("glove.6B.300d.txt", binary=False)
model_2.build_vocab([list(model.vocab.keys())], update=True)
model_2.intersect_word2vec_format("glove.6B.300d.txt", binary=False, lockf=1.0)
model_2.train(sentences, total_examples=total_examples, epochs=model_2.iter)

# fit a 2d PCA model to the vectors
X = model_2[model_1.wv.vocab]
pca = PCA(n_components=2)
result = pca.fit_transform(X)
# create a scatter plot of the projection
pyplot.scatter(result[:, 0], result[:, 1])
words = list(model_1.wv.vocab)
for i, word in enumerate(words):
    pyplot.annotate(word, xy=(result[i, 0], result[i, 1]))
pyplot.show()

Dalla figura sopra, possiamo vedere che gli incantesimi di parole sono più significativi.
Spero che questa risposta sia utile.

Vediamo un codice di esempio:

>>>from gensim.models import word2vec

#let us train a sample model like yours
>>>sentences = [['first', 'sentence'], ['second', 'sentence']]
>>>model1 = word2vec.Word2Vec(sentences, min_count=1)

#let this be the model from which you want to reset
>>>sentences = [['third', 'sentence'], ['fourth', 'sentence']]
>>>model2 = word2vec.Word2Vec(sentences, min_count=1)
>>>model1.reset_from(model2)
>>>model1.similarity('third','sentence')
-0.064622000988260417

Quindi, osserviamo che model1 viene reimpostato da model2 e quindi la parola "terza" e "frase" si trovano nel suo vocabolario alla fine dando la sua somiglianza. Questo è l'uso di base, puoi anche controllare reset_weights () per ripristinare i pesi allo stato iniziale / non allenato.

Se stai cercando una rete pre-allenata per gli incantesimi di parole, suggerirei GloVe. Il seguente blog di Keras è molto istruttivo su come implementarlo. Ha anche un collegamento agli incorporamenti pre-addestrati di GloVe. Esistono vettori di parole pre-addestrati che vanno da un vettore di 50 dimensioni a 300 vettori di dimensioni. Sono stati costruiti su Wikipedia, Common Crawl Data o Twitter. Puoi scaricarli qui: http://nlp.stanford.edu/projects/glove/ . Inoltre, dovresti esaminare il blog di keras su come implementarli. https://blog.keras.io/using-pre-trained-word-embeddings-in-a-keras-model.html

L'ho fatto qui: https://gist.github.com/AbhishekAshokDubey/054af6f92d67d5ef8300fac58f59fcc9

Vedi se questo è quello che ti serve