TensorFlow 嵌入查找

我正在尝试学习如何使用 TensorFlow 构建用于语音识别的 RNN。首先，我想尝试 TensorFlow 页面上提供的一些示例模型TF-RNN https://www.tensorflow.org/versions/master/tutorials/recurrent/index.html

根据建议，我花了一些时间通过基础版本的 word2vec 模型代码来了解如何将单词 ID 嵌入到密集表示（向量表示）中。我明白了什么tf.nn.embedding_lookup实际上是这样，直到我实际上遇到了与二维数组一起使用的相同函数TF-RNN https://www.tensorflow.org/versions/master/tutorials/recurrent/index.html ptb_word_lm.py，当它不再有意义时。

我想什么tf.nn.embedding_lookup does:

给定一个二维数组params和一维数组ids， 功能tf.nn.embedding_lookup从 params 中获取行，对应于给出的索引ids，它与它返回的输出的维度保持一致。

我感到困惑的是：

当尝试使用相同的参数和二维数组时ids, tf.nn.embedding_lookup返回 3 维数组，而不是 2 维，我不明白为什么。

我查了一下手册嵌入查找 https://www.tensorflow.org/versions/r0.9/api_docs/python/nn.html#embedding_lookup，但我仍然发现很难理解分区是如何工作的以及返回的结果。我最近尝试了一些简单的例子tf.nn.embedding_lookup并且它似乎每次都返回不同的值。这种行为是由于分区中涉及的随机性造成的吗？

请帮助我理解如何tf.nn.embedding_lookup有效，以及为什么在两者中都使用word2vec_basic.py, and ptb_word_lm.py即，使用它们的目的是什么？

已经有一个关于什么的答案tf.nn.embedding_lookup here https://stackoverflow.com/questions/34870614/what-does-tf-nn-embedding-lookup-function-do.

当尝试使用相同的参数和二维数组ID时，tf.nn.embedding_lookup返回3维数组，而不是二维数组，我不明白为什么。

当你有一维 ids 列表时[0, 1]，该函数将返回嵌入列表[embedding_0, embedding_1] where embedding_0是一个形状数组embedding_size。例如，id 列表可能是一批单词。

现在，你有一个matrixid 的列表，或 id 列表的列表。例如，您现在有一批句子，即一批单词列表，即单词列表的列表。

如果你的句子列表是：[[0, 1], [0, 3]]（句子 1 是[0, 1]，句子 2 是[0, 3]），该函数将计算一个嵌入矩阵，其形状为[2, 2, embedding_size]看起来像：

[[embedding_0, embedding_1],
 [embedding_0, embedding_3]]

关于partition_strategy争论，你不必为此烦恼。基本上，它允许您给出嵌入矩阵列表，如下所示params如果计算有限制，则可以使用 1 个矩阵来代替。

所以，你可以分割你的形状嵌入矩阵[1000, embedding_size]十个形状矩阵[100, embedding_size]并将变量列表传递为params。论点partition_strategy处理词汇表（1000 个单词）在 10 个矩阵中的分布。