寻找一些指南来选择 Keras 词嵌入层的维度。例如在简化的电影评论分类代码中：

# NN layer params

MAX_LEN = 100        # Max length of a review text
VOCAB_SIZE = 10000   # Number of words in vocabulary
EMBEDDING_DIMS = 50  # Embedding dimension - number of components in word embedding vector

text_model = tf.keras.Sequential([
    tf.keras.layers.Embedding(input_length=MAX_LEN,input_dim=VOCAB_SIZE,
                              output_dim=EMBEDDING_DIMS),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(6, activation='relu'),
    tf.keras.layers.Dense(1, activation='sigmoid')
])
text_model.compile(loss='binary_crossentropy',optimizer='adam',metrics=['accuracy'])

在这个例子中嵌入向量有 50 个分量。在 17500 上训练并在 5625 条评论上测试此模型报告：

              precision    recall  f1-score   support

           0       0.87      0.86      0.87      2802
           1       0.87      0.88      0.87      2823

    accuracy                           0.87      5625
   macro avg       0.87      0.87      0.87      5625
weighted avg       0.87      0.87      0.87      5625

对于 10 甚至 2 维，我在分类报告中得到相似的值！

那么在选择词嵌入向量维度时，真正起作用的指导原则是什么？何时选择 50、10,100、200、...等尺寸？