我搜集了兩種方法來實現，一種方法基於theano，另一種方法基於tensorflow。
方法一參考：
【1】https://github.com/ryankiros/skip-thoughts
【2】https://blog.csdn.net/qq_33373858/article/details/83928249
方法二參考：
【3】https://github.com/tensorflow/models/tree/master/research/skip_thoughts#encoding-sentences
方法一詳解：
- 從github【1】上下載skip-thoughts的代碼。
- 根據【1】中要求安裝依賴庫。（theano不用必須是Theano 0.7，我的1.0.4也可以）
![]()
- 在下好的文件目錄下添加data文件夾。
![]()
- 根據作者提供的鏈接，下載所需文件，並全部存放到data目錄下。注意這裏的pkl文件下載地址發生了一些錯誤，只能下載txt文件，可以在作者github的issue中找新的link.
![]()
- 修改skipthoughts.py文件內的路徑：
![]()
- 在data同目錄下新建文件測試：（encoder.py）,得到4800維向量。
![]()
使用上述方法可以提取個別sentence的特徵，但是如果需要提取大量文本特徵時，上述方法使用的cpu太費時間了，而且theano使用GPU加速有些麻煩，我還沒有實現。
方法二詳情：
1.首先，在【3】中下載skip-thoughts的代碼。
2.然後，安裝必需的依賴庫:
3.下載的skip-thoughts可以放在tensorflow的模型文件examples下面，也可以直接使用，接下來介紹直接使用的方法。
4.新建自己的工程，將下載的skip-thoughts-master更名爲skip-thoughts之後放在工程文件夾下。在skip-thoughts文件夾下新建pre-trained文件夾用於保存預訓練模型，將下載的skip-thoughts的預訓練模型（需要下單向和雙向的兩個文件）解壓縮之後放在該目錄下。
5.寫自己的測試文件：
這裏需要注意的是，checkpoint的路徑文件只寫到500008.
6.在encoder_manager.py的前面添加使用的GPU：
7.如果使用的是單向的，則只需要在測試文件中加入單向預訓練模型：
如果使用的是雙向的，則需要加入兩個預訓練模型，也需要調用兩次load_model:
8.run測試文件。