引言
接上回，本文继续说如何用TensorFlow将独热编码应用到一个简单的神经网络中，以实现从一段随机文本到另一段随机文本的转换。
步骤一：导入库
import tensorflow as tf
import numpy as np
import random
import string
步骤二：生成随机文本数据
用一个函数来生成随机文本数据。
def generate_random_text(length):
letters = string.ascii_lowercase + ' '
return ''.join(random.choice(letters) for i in range(length))
random_text = generate_random_text(100)
print("Random Text:", random_text)
步骤三：独热编码
接下来，我们将对生成的随机文本进行独热编码。为此，我们需要创建一个字符到整数的映射，并使用这个映射来构建独热编码。
注：上一张我们说的是几个分类（数字代表类别）转为独热码，那么如何将一串文本转为独热码呢？在这里我们的方法是将一串文本的每个字符都对应到一个数字（这个过程就我们叫做映射到数字，这个对应关系的表就成为词汇表），之后从数字生成独热码。把所有数字的独热码放一起，就是这段文本的独热码了。
chars = string.ascii_lowercase + ' '
char_to_int = {c: i for i, c in enumerate(chars)}
int_to_char = {i: c for c, i in char_to_int.items()}
def one_hot_encode(text):
encoded = [char_to_int[char] for char in text]
return tf.one_hot(encoded, depth=len(chars))
encoded_text = one_hot_encode(random_text)
步骤四：构建神经网络模型
现在，让我们定义一个简单的密集神经网络模型（后期讲），它将接受独热编码的文本并尝试预测下一个字符的独热编码。
model = tf.keras.Sequential([
tf.keras.layers.Flatten(input_shape=(None, len(chars))),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(len(chars), activation='softmax')
])
步骤五：训练模型
因为作者个人感觉用随机数据训练没什么意义，也拟合不出什么，所以省略了…
步骤六：模型预测与解码
我们直接用没训练过的模型来预测输入文本的输出，并将其从独热编码转换回字符。
def decode_one_hot(output):
return ''.join(int_to_char[np.argmax(out)] for out in output)
# 假设我们已经训练了模型
# predictions = model.predict(encoded_text)
# decoded_text = decode_one_hot(predictions)
# print("Decoded Text:", decoded_text)
一些话
虽然我们学了很多关于独热码的知识，但是…对于我们的语言模型没有什么卵用…我们用的是字符索引加嵌入层方法（后面细讲）而不是独热码，具体原因：
独热码（One-Hot Encoding）
优势:
- 简单直观：每个字符都由一个独立的二进制位表示，这使得编码非常明确和直接。
- 易于理解：模型的输入维度与词汇表大小直接相关，容易理解和解释。
- 无参数共享：每个字符的表示独立，不会受到其他字符的影响，这在某些情况下可能是有益的。
缺点:
- 维度灾难：如果词汇表很大，独热编码会导致极其高维的特征空间，这会增加计算复杂性和存储需求。
- 缺乏语义信息：独热编码不包含任何关于字符之间关系的语义信息，即字符之间的相似性或关联性完全被忽略。
- 不变性：对于字符的微小变化（如大小写、拼写错误等），独热编码无法提供鲁棒性。
字符索引 + 嵌入层（Character Index + Embedding Layer）
优势:
- 维度降低：通过使用较低维度的密集向量来表示字符，嵌入层可以有效减少模型的输入维度。
- 捕获语义信息：嵌入层可以学习字符之间的语义关系，使得相似的字符在嵌入空间中拥有相似的表示。
- 参数共享：嵌入层中的参数是在所有字符之间共享的，这可以减少模型的总参数数量，提高泛化能力。
- 鲁棒性：嵌入层可以对字符的小变化具有一定的鲁棒性，例如拼写错误或大小写变化。
缺点:
- 需要大量数据：为了有效地学习嵌入，通常需要大量的训练数据。
- 调参复杂：嵌入层的维度和其他超参数需要仔细调整，以找到最佳配置。
- 黑盒性质：嵌入层学到的表示可能不如独热编码那样直观易懂。
有问题可以私信，看到会回复。
