# 使用 t-SNE 可视化单词嵌入 让我们可视化我们在上一节中生成的单词嵌入。 t-SNE 是在二维空间中显示高维数据的最流行的方法。我们将使用 scikit-learn 库中的方法并重用 TensorFlow 文档中给出的代码来绘制我们刚学过的嵌入词的图形。 TensorFlow 文档中的原始代码可从以下链接获得：[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) 以下是我们如何实现该程序： 1. 创建`tsne`模型： ```py tsne = TSNE(perplexity=30, n_components=2, init='pca', n_iter=5000, method='exact') ``` 1. 将要显示的嵌入数限制为 500，否则，图形变得非常难以理解： ```py n_embeddings = 500 ``` 1. 通过调用`tsne`模型上的`fit_transform()`方法并将`final_embeddings`的第一个`n_embeddings`作为输入来创建低维表示。 ```py low_dim_embeddings = tsne.fit_transform( final_embeddings[:n_embeddings, :]) ``` 1. 找到我们为图表选择的单词向量的文本表示： ```py labels = [ptb.id2word[i] for i in range(n_embeddings)] ``` 1. 最后，绘制嵌入图： ```py plot_with_labels(low_dim_embeddings, labels) ``` 我们得到以下绘图： t-SNE visualization of embeddings for PTB data set 同样，从 text8 模型中，我们得到以下图： t-SNE visualization of embeddings for text8 data set