自然语言处理NLP：嵌入层Embedding中input_dim的计算——Tokenizer文本分词和编码

1. 词汇表大小（input_dim）计算方法

嵌入层Embedding中的input_dim是根据数据中所有唯一词（或字）的总数来决定的。可以通过Tokenizer文本分词和编码得到。

简单说，Tokenizer 是一个文本分词和编码器，它主要做两件事：

分词：将句子拆分成词或字
编码：为每个词/字分配唯一的数字编号

例如：

python 复制代码

from keras.preprocessing.text import Tokenizer

# 假设这是你的训练文本数据
texts = [
    "我爱吃苹果",
    "苹果很好吃",
    "我不喜欢香蕉",
    "香蕉和苹果都是水果"
]

# 创建分词器并构建词汇表，设置 char_level=True 按字分词
# 如果想要更加合理的中文分词，比如"苹果"合并为一个词，可以使用中文分词工具（如 jieba）
# import jieba  # 需要安装: pip install jieba后  tokenized_texts = [' '.join(jieba.cut(text)) for text in texts]
tokenizer = Tokenizer(char_level=True)
tokenizer.fit_on_texts(texts)  # 学习所有文本，构建词汇表

# 查看词汇表，可以看到词或字对应的索引数字
word_index = tokenizer.word_index
print("词汇表:", word_index)
# 输出可能是: {'果': 1, '苹': 2, '我': 3, '吃': 4, '香': 5, '蕉': 6, '爱': 7, '很': 8, '好': 9, '不': 10, '喜': 11, '欢': 12, '和': 13, '都': 14, '是': 15, '水': 16}

# 词汇表大小 = 唯一词的数量 + 1（+1是为了预留索引0给填充值），这边的值就是嵌入层Embedding中input_dim的数值
vocab_size = len(word_index) + 1
print("词汇表大小:", vocab_size)  # 输出: 17

# 将文本转换为数字序列
sequences = tokenizer.texts_to_sequences(texts)
print("数字序列:", sequences)
# 输出:[[3, 7, 4, 2, 1], [2, 1, 8, 9, 4], [3, 10, 11, 12, 5, 6], [5, 6, 13, 2, 1, 14, 15, 16, 1]]

所以 input_dim=18，因为我们的词汇表有17个唯一词 + 1个填充索引

2.Tokenizer作用和简单用法

Tokenizer会自动：

统计所有文本中出现的词/字
按出现频率从高到低排序
分配编号（频率最高的词编号为1，次高的为2，以此类推）

python 复制代码

import numpy as np
from keras.models import Sequential
from keras.layers import Embedding
from keras.preprocessing.text import Tokenizer
from tensorflow.keras.preprocessing.sequence import pad_sequences

# 1. 准备数据
texts = [
    "我爱吃苹果",
    "苹果很好吃", 
    "我不喜欢香蕉",
    "香蕉和苹果都是水果"
]

# 2. 创建词汇表
tokenizer = Tokenizer(char_level=True)
tokenizer.fit_on_texts(texts)
word_index = tokenizer.word_index
vocab_size = len(word_index) + 1  # +1 为填充符0

print("词汇表:", word_index)
print("词汇表大小:", vocab_size)

# 3. 文本转数字序列
sequences = tokenizer.texts_to_sequences(texts)
print("原始序列:", sequences)

# 4. 填充序列到相同长度（input_length=5）
padded_sequences = pad_sequences(sequences, maxlen=5, padding='post')
print("填充后序列:")
print(padded_sequences)

# 5. 创建Embedding层（input_dim根据vocab_size决定）
model = Sequential()
model.add(Embedding(
    input_dim=vocab_size,  # 这里是18
    output_dim=8,          # 每个词用8维向量表示，是一个超参数，需要根据经验和实验来确定，小词汇表（<1000）：4-16维，一般8
    input_length=5         # 每个序列5个词，由最大长度maxlen决定，这边是9。统计所有序列长度：取一个合适的百分位数（如95%）
))

# 查看模型摘要
model.summary()

# 测试预测
sample_input = padded_sequences[:2]  # 取前两个样本
print("\n输入数据:", sample_input)
print("输入形状:", sample_input.shape)  # (2, 5)

output = model.predict(sample_input)
print("输出形状:", output.shape)        # (2, 5, 8)

输出结果：