在 Windows 上将 Word2vec 与 Tensorflow 结合使用

In 本教程文件 https://github.com/tensorflow/models/blob/master/tutorials/embedding/word2vec.py#L45通过 Tensorflow，找到以下行（第 45 行）来加载 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，正如中也指出的那样这个问题 https://stackoverflow.com/questions/42106032/tensorflow-word2vec-error, .so- 文件适用于 Linux。

在 Windows 上加载的等效扩展名是什么？

另外，我不明白为什么安装时 Tensorflow 中包含这么多其他内容，但 Word2Vec 必须在本地构建。在文档中，在 Windows 上安装 TensorFlow https://www.tensorflow.org/install/install_windows，没有提到必须构建这些扩展。

这是一种旧的做法吗？现在已经改变了，一切都随安装一起提供了？如果是这样，该更改如何适用于word2vec示例中的模块？

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

你可以通过做类似的事情来使用它this https://www.tensorflow.org/tutorials/word2vec, i.e.

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)

完整的代码是here https://github.com/tensorflow/tensorflow/blob/r1.2/tensorflow/examples/tutorials/word2vec/word2vec_basic.py.

一般来说，我会犹豫是否要过度依赖tensorflow/models回购。其中的某些部分已经过时了。主要的tensorflow/tensorflow回购得到更好的维护。