我在阅读TensorFlow关于神经网络的教程时，遇到了关于架构的部分，感觉有点 confusing。能否有人解释一下为什么在代码中使用了以下设置
# 输入形状是用于电影评论的词汇计数 (10,000 words)vocab_size = 10000model = keras.Sequential()model.add(keras.layers.Embedding(vocab_size, 16))model.add(keras.layers.GlobalAveragePooling1D())model.add(keras.layers.Dense(16, activation=tf.nn.relu))model.add(keras.layers.Dense(1, activation=tf.nn.sigmoid))model.summary()
词汇大小？Embedding层中为什么使用16这个值？以及单元数的选择，我理解最后一个Dense层的直觉，因为它是二元分类（1），但为什么第二层使用16个单元？Embedding中的16和第一个Dense层中的16个单元是否相关？它们应该相等吗？
如果有人能解释这段话就更好了
第一层是一个Embedding层。这层接收整数编码的词汇，并查找每个词索引的嵌入向量。这些向量在模型训练过程中学习。向量为输出数组增加了一个维度。结果维度为：(batch, sequence, embedding)。
来源： 电影评论分类：二元分类
回答：
- vocab_size：您语料库中（在本例中为IMDB）的所有单词，根据它们的频率排序，并提取前10000个单词。其余词汇将被忽略。例如：这真是Fancyyyyyyy将转换为==> [8 7 9]。正如您可能猜到的，单词Fancyyyyyyy被忽略，因为它不在前10000个单词中。
- pad_sequences：将所有句子转换为相同大小。例如，在训练语料库中，文档长度不同。因此，所有文档都转换为seq_len = 256。完成这一步后，您的输出是
[Batch_size * seq_len]。 - Embedding：每个单词转换为一个16维的向量。结果这一步的输出是一个大小为
[Batch_size * seq_len * embedding_dim]的张量。 - GlobalAveragePooling1D：将大小为
[Batch_size * seq_len * embedding_dim]的序列转换为[Batch_size * embedding_dim]。 - unit：是Dense层（MLP层）的输出。它将
[Batch_size * embedding_dim]转换为[Batch_size * unit]。
