torch.nn.functional.embedding#
- torch.nn.functional.embedding(input, weight, padding_idx=None, max_norm=None, norm_type=2.0, scale_grad_by_freq=False, sparse=False)[源代码]#
生成一个简单的查找表，该表在固定的词典和大小中查找嵌入。
此模块通常用于使用索引检索词嵌入。模块的输入是索引列表和嵌入矩阵，输出是相应的词嵌入。
有关更多详细信息，请参阅
torch.nn.Embedding。注意
请注意，该函数关于
padding_idx指定的行的weight中条目的解析梯度预计与数值梯度不同。注意
请注意，:class:`torch.nn.Embedding` 与此函数不同之处在于，它在构造时将
padding_idx指定的weight的行初始化为全零。- 参数
input (LongTensor) – 包含嵌入矩阵索引的张量
weight (Tensor) – 嵌入矩阵，行数等于最大可能索引 + 1，列数等于嵌入大小
padding_idx (int, optional) – 如果指定，
padding_idx处的条目不计入梯度；因此，padding_idx处的嵌入向量在训练期间不会被更新，即它保持为一个固定的“pad”。max_norm (float, optional) – 如果给定，范数大于
max_norm的每个嵌入向量将被重新归一化为具有范数max_norm。注意：这将修改weight（就地）。norm_type (float, optional) – 计算
max_norm选项的 p-范数的 p 值。默认为2.0。scale_grad_by_freq (bool, optional) – 如果给定，这将通过小批量中词语频率的倒数来缩放梯度。默认值为
False。sparse (bool, optional) – 如果为
True，则关于weight的梯度将是一个稀疏张量。有关稀疏梯度的更多详细信息，请参阅torch.nn.Embedding下的“说明”。
- 返回类型
- 形状
输入：任意形状的 LongTensor，包含要提取的索引
权重：形状为 (V, embedding_dim)` 的浮点型嵌入矩阵，其中 V = 最大索引 + 1 且 embedding_dim = 嵌入大小
输出：(*, embedding_dim)`，其中 * 是输入形状
示例
>>> # a batch of 2 samples of 4 indices each >>> input = torch.tensor([[1, 2, 4, 5], [4, 3, 2, 9]]) >>> # an embedding matrix containing 10 tensors of size 3 >>> embedding_matrix = torch.rand(10, 3) >>> F.embedding(input, embedding_matrix) tensor([[[ 0.8490, 0.9625, 0.6753], [ 0.9666, 0.7761, 0.6108], [ 0.6246, 0.9751, 0.3618], [ 0.4161, 0.2419, 0.7383]], [[ 0.6246, 0.9751, 0.3618], [ 0.0237, 0.7794, 0.0528], [ 0.9666, 0.7761, 0.6108], [ 0.3385, 0.8612, 0.1867]]]) >>> # example with padding_idx >>> weights = torch.rand(10, 3) >>> weights[0, :].zero_() >>> embedding_matrix = weights >>> input = torch.tensor([[0, 2, 0, 5]]) >>> F.embedding(input, embedding_matrix, padding_idx=0) tensor([[[ 0.0000, 0.0000, 0.0000], [ 0.5609, 0.5384, 0.8720], [ 0.0000, 0.0000, 0.0000], [ 0.6262, 0.2438, 0.7471]]])
