我在使用keras處理NLP問題。根據之前的單詞，當我嘗試預測下一個單詞時，出現了一個關於單詞嵌入的問題。我已經通過keras嵌入層打開一個熱詞詞彙向量是這樣的：keras嵌入矢量回到一個熱門
word_vector = Embedding(input_dim=2000,output_dim=100)(word_one_hot)
，並使用此word_vector做一些事情，模型給出了另一個word_vector最後。但我必須看到預測詞的真實含義。我怎樣才能把word_vector變回word_one_hot？
這個問題很古老，但似乎與關於嵌入是什麼以及它們的目的是什麼混淆有關。
首先，如果您打算事後嵌入，您絕對不應該轉換爲one-hot。這只是一個浪費的步驟。
從您的原始數據開始，您需要標記它。這只是爲您的詞彙表中的每個元素（數據中所有可能的單詞/字符[您選擇的]）分配一個唯一整數的過程。 Keras有這方面的便利功能：
from keras.preprocessing.sequence import pad_sequences
from keras.preprocessing.text import Tokenizer
max_words = 100 # just a random example,
# it is the number of most frequently occurring words in your data set that you want to use in your model.
tokenizer = Tokenizer(num_words=max_words)
# This builds the word index
tokenizer.fit_on_texts(df['column'])
# This turns strings into lists of integer indices.
train_sequences = tokenizer.texts_to_sequences(df['column'])
# This is how you can recover the word index that was computed
print(tokenizer.word_index)
嵌入生成一個表示。模型中的後續圖層使用較早的表示來生成更多抽象表示。最終表示法用於根據可能類的數量（假設分類）生成概率分佈。
當您的模型進行預測時，它會爲word_index中的每個整數提供概率估計值。所以，'貓'最有可能是下一個詞，而你的word_index就像{cat：666}，理想情況下這個模型對於666（非'貓'）提供了很高的可能性。這有意義嗎？該模型並不能預測嵌入向量，嵌入向量是輸入數據的中間表示，這對於預測與字/字符/類相關的整數（希望）是有用的。