标签: embedding

当我按照说明嵌入IPython 0.10时,某些列表推导无法正常工作.我的全局命名空间发生了什么？

$ python
>>> import IPython.Shell
>>> IPython.Shell.IPShellEmbed()()
In [1]: def bar(): pass
   ...: 
In [2]: list(bar() for i in range(10))
---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)

/tmp/<ipython console> 

/tmp/<ipython console> in <generator expression>([outmost-iterable])

NameError: global name 'bar' is not defined

任何人都了解犀牛javascript上下文？我找不到任何有用的文档.我的主要问题是Context.exit()(真的应该是cx.exit())根据我的理解退出与当前线程相关的上下文？这是否意味着我需要跟踪哪个线程的作用？

主线程:

Context cx;
cx.evaluateReader( ... ) // load some function
start thread 2

线程2:

Object o= scope.get("methodname", scope);
((Function)o).call( ... )

我不打算做多线程但是如果不同的设置来自不同的线程怎么办？

在AS3中,您可以将图形嵌入到Class变量中:

     [Embed(source="MenuAssets.swf", symbol="topSquare")]
        public var TopMenuItem:Class;

我在这个网站项目中有数百个资产,所以我想将资产嵌入数组中以便快速访问.

我可以这样做吗？它没有编译所以我想知道它是否可能.

        public var MenuAssets:Array = [
           [Embed(source="MenuAssets.swf", symbol="topSquare")],
           [Embed(source="MenuAssets.swf", symbol="botSquare")],
           [Embed(source="MenuAssets.swf", symbol="leftSquare")],
           [Embed(source="MenuAssets.swf", symbol="rightSquare")],
        ]

该应用程序在 Linux、Windows、Macintosh 中运行。

另外，如果是，需要多少努力？

如果我有带有嵌入式 Python 函数的 C++ 代码，即它使用 Python 的 C API 来调用 Python 的解释器，我怎样才能让 Python 异常冒泡到 C++ 级别？

注意：这不是相反的问题（关于将 C++ 扩展异常传播到 Python 解释器）。

我们尝试过使用tf.nn.embedding_lookup它并且有效.但它需要密集的输入数据,现在我们需要tf.nn.embedding_lookup_sparse稀疏输入.

我写了以下代码,但得到了一些错误.

import tensorflow as tf
import numpy as np

example1 = tf.SparseTensor(indices=[[4], [7]], values=[1, 1], shape=[10])
example2 = tf.SparseTensor(indices=[[3], [6], [9]], values=[1, 1, 1], shape=[10])

vocabulary_size = 10
embedding_size = 1
var = np.array([0.0, 1.0, 4.0, 9.0, 16.0, 25.0, 36.0, 49.0, 64.0, 81.0])
#embeddings = tf.Variable(tf.ones([vocabulary_size, embedding_size]))
embeddings = tf.Variable(var)

embed = tf.nn.embedding_lookup_sparse(embeddings, example2, None)

with tf.Session() as sess:
    sess.run(tf.initialize_all_variables())

    print(sess.run(embed))

错误日志如下所示.

现在我不知道如何正确修复和使用此方法.任何评论都可以表示赞赏.

潜入后safe_embedding_lookup_sparse的单元测试,我更困惑,为什么我如果给稀疏的权重,尤其是为什么我们得到的东西像得到这个结果embedding_weights[0][3],其中3在代码中没有出现以上.

我使用 Keras 并尝试将两个不同的层连接成一个向量（向量的第一个值是第一层的值，另一部分是第二层的值）。其中一层是密集层，另一层是嵌入层。

我知道如何合并两个嵌入层或两个密集层，但我不知道如何合并一个嵌入层和一个密集层（维度问题）。

一个简单的例子是这样的：

L_branch = Sequential()
L_branch.add(Dense(10, input_shape =  (4,) , activation = 'relu'))
L_branch.add(BatchNormalization())

R_branch = Sequential()
R_branch.add(Embedding(1000, 64, input_length=5))

final_branch.add(Merge([L_branch, R_branch], mode = 'concat'))

但这不起作用，因为您无法合并具有不同维度的图层。

PS：对不起，英语不是我的母语，我希望你能理解我的问题。

此致。

我正在基于Keras的seq2seq创建一个生成的聊天机器人.我使用了以下网站的代码:https://machinelearningmastery.com/develop-encoder-decoder-model-sequence-sequence-prediction-keras/

我的模型看起来像这样:

# define training encoder
encoder_inputs = Input(shape=(None, n_input))
encoder = LSTM(n_units, return_state=True)
encoder_outputs, state_h, state_c = encoder(encoder_inputs)
encoder_states = [state_h, state_c]

# define training decoder
decoder_inputs = Input(shape=(None, n_output))
decoder_lstm = LSTM(n_units, return_sequences=True, return_state=True)
decoder_outputs, _, _ = decoder_lstm(decoder_inputs, initial_state=encoder_states)
decoder_dense = Dense(n_output, activation='softmax')
decoder_outputs = decoder_dense(decoder_outputs)
model = Model([encoder_inputs, decoder_inputs], decoder_outputs)

# define inference encoder
encoder_model = Model(encoder_inputs, encoder_states)

# define inference decoder
decoder_state_input_h = Input(shape=(n_units,))
decoder_state_input_c = Input(shape=(n_units,))
decoder_states_inputs = [decoder_state_input_h, decoder_state_input_c]
decoder_outputs, …

使用预训练嵌入，我们可以将它们指定为 keras 嵌入层中的权重。要使用多个嵌入，指定多个嵌入层是否合适？IE

embedding_layer1 = Embedding(len(word_index) + 1,
                        EMBEDDING_DIM,
                        weights=[embedding_matrix_1],
                        input_length=MAX_SEQUENCE_LENGTH,
                        trainable=False)

 embedding_layer2 = Embedding(len(word_index) + 1,
                        EMBEDDING_DIM,
                        weights=[embedding_matrix_2],
                        input_length=MAX_SEQUENCE_LENGTH,
                        trainable=False)

 model.add(embedding_layer1)
 model.add(embedding_layer2)

这建议将它们总结起来并将它们表示为一个层，这不是我所追求的。

我正在尝试了解如何在 Keras 中创建具有多个嵌入层和其他输入的模型。这是我的模型的结构方式（E=嵌入层，[....]=输入层）：

E   E [V V V]
\   |  /
 \  | /
  Dense
    |
  Dense

到目前为止，这是我的代码：

model_a = Sequential()
model_a.add(Embedding(...))

model_b = Sequential()
model_b.add(Embedding(...))

model_c = Sequential()
model_c.add(Embedding(...))

model_values = Sequential()
model_values.add(Input(...))

classification_model = Sequential()
classification_layers = [
    Concatenate([model_a,model_b,model_c, model_values]),
    Dense(...),
    Dense(...),
    Dense(2, activation='softmax')
]
for layer in classification_layers:
    classification_model.add(layer)

classification_model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
classification_model.fit(train_data,one_hot_labels, epochs=1, validation_split=0.2)

但是我收到以下错误：

ValueError: A `Concatenate` layer should be called on a list of at least 2 inputs

我不知道我在这里做错了什么。这是错误日志的更多细节：

---------------------------------------------------------------------------
ValueError                                Traceback (most recent …