# 使用 t-SNE 可視化單詞嵌入 讓我們可視化我們在上一節中生成的單詞嵌入。 t-SNE 是在二維空間中顯示高維數據的最流行的方法。我們將使用 scikit-learn 庫中的方法并重用 TensorFlow 文檔中給出的代碼來繪制我們剛學過的嵌入詞的圖形。 TensorFlow 文檔中的原始代碼可從以下鏈接獲得：[https://github.com/tensorflow/tensorflow/blob/r1.3/tensorflow/examples/tutorials/word2vec/word2vec_basic.py.](https://github.com/tensorflow/tensorflow/blob/r1.3/tensorflow/examples/tutorials/word2vec/word2vec_basic.py) 以下是我們如何實現該程序： 1. 創建`tsne`模型： ```py tsne = TSNE(perplexity=30, n_components=2, init='pca', n_iter=5000, method='exact') ``` 1. 將要顯示的嵌入數限制為 500，否則，圖形變得非常難以理解： ```py n_embeddings = 500 ``` 1. 通過調用`tsne`模型上的`fit_transform()`方法并將`final_embeddings`的第一個`n_embeddings`作為輸入來創建低維表示。 ```py low_dim_embeddings = tsne.fit_transform( final_embeddings[:n_embeddings, :]) ``` 1. 找到我們為圖表選擇的單詞向量的文本表示： ```py labels = [ptb.id2word[i] for i in range(n_embeddings)] ``` 1. 最后，繪制嵌入圖： ```py plot_with_labels(low_dim_embeddings, labels) ``` 我們得到以下繪圖： t-SNE visualization of embeddings for PTB data set 同樣，從 text8 模型中，我們得到以下圖： t-SNE visualization of embeddings for text8 data set