Embedding#

class torch.nn.Embedding(num_embeddings, embedding_dim, padding_idx=None, max_norm=None, norm_type=2.0, scale_grad_by_freq=False, sparse=False, _weight=None, _freeze=False, device=None, dtype=None)[源]#

一个简单的查找表，用于存储固定词典和大小的嵌入。

此模块通常用于存储词嵌入并使用索引检索它们。模块的输入是索引列表，输出是相应的词嵌入。

参数

num_embeddings (int) – 嵌入词典的大小
embedding_dim (int) – 每个嵌入向量的大小
padding_idx (int, 可选) – 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”。对于新创建的 Embedding，padding_idx 处的嵌入向量将默认为全零，但可以更新为另一个值作为填充向量。
max_norm (float, 可选) – 如果给出，任何范数大于 max_norm 的嵌入向量将被重新归一化，使其范数为 max_norm。
norm_type (float, 可选) – max_norm 选项中用于计算 p-范数的 p 值。默认为 2。
scale_grad_by_freq (bool, 可选) – 如果给出，这将通过小批量中词语频率的倒数来缩放梯度。默认为 False。
sparse (bool, 可选) – 如果为 True，则 weight 矩阵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 Notes。

变量

weight (Tensor) – 模块的可学习权重，形状为 (num_embeddings, embedding_dim)，从 $\mathcal{N}(0, 1)$ 初始化

形状

输入： $(*)$ ，任意形状的 IntTensor 或 LongTensor，包含要提取的索引
输出： $(*, H)$ ，其中 * 是输入形状， $H=\text{embedding\_dim}$

注意

请注意，只有少数优化器支持稀疏梯度：目前支持的是 optim.SGD（CUDA 和 CPU）、optim.SparseAdam（CUDA 和 CPU）以及 optim.Adagrad（CPU）。

注意

当 max_norm 不为 None 时，Embedding 的前向方法将就地修改 weight 张量。由于梯度计算所需的张量不能就地修改，因此在调用 Embedding 的前向方法之前对 Embedding.weight 执行可微分操作，需要在 max_norm 不为 None 时克隆 Embedding.weight。例如：

n, d, m = 3, 5, 7
embedding = nn.Embedding(n, d, max_norm=1.0)
W = torch.randn((m, d), requires_grad=True)
idx = torch.tensor([1, 2])
a = (
    embedding.weight.clone() @ W.t()
)  # weight must be cloned for this to be differentiable
b = embedding(idx) @ W.t()  # modifies weight in-place
out = a.unsqueeze(0) + b.unsqueeze(1)
loss = out.sigmoid().prod()
loss.backward()

示例

>>> # an Embedding module containing 10 tensors of size 3
>>> embedding = nn.Embedding(10, 3)
>>> # a batch of 2 samples of 4 indices each
>>> input = torch.LongTensor([[1, 2, 4, 5], [4, 3, 2, 9]])
>>> embedding(input)
tensor([[[-0.0251, -1.6902,  0.7172],
         [-0.6431,  0.0748,  0.6969],
         [ 1.4970,  1.3448, -0.9685],
         [-0.3677, -2.7265, -0.1685]],

        [[ 1.4970,  1.3448, -0.9685],
         [ 0.4362, -0.4004,  0.9400],
         [-0.6431,  0.0748,  0.6969],
         [ 0.9124, -2.3616,  1.1151]]])


>>> # example with padding_idx
>>> embedding = nn.Embedding(10, 3, padding_idx=0)
>>> input = torch.LongTensor([[0, 2, 0, 5]])
>>> embedding(input)
tensor([[[ 0.0000,  0.0000,  0.0000],
         [ 0.1535, -2.0309,  0.9315],
         [ 0.0000,  0.0000,  0.0000],
         [-0.1655,  0.9897,  0.0635]]])

>>> # example of changing `pad` vector
>>> padding_idx = 0
>>> embedding = nn.Embedding(3, 3, padding_idx=padding_idx)
>>> embedding.weight
Parameter containing:
tensor([[ 0.0000,  0.0000,  0.0000],
        [-0.7895, -0.7089, -0.0364],
        [ 0.6778,  0.5803,  0.2678]], requires_grad=True)
>>> with torch.no_grad():
...     embedding.weight[padding_idx] = torch.ones(3)
>>> embedding.weight
Parameter containing:
tensor([[ 1.0000,  1.0000,  1.0000],
        [-0.7895, -0.7089, -0.0364],
        [ 0.6778,  0.5803,  0.2678]], requires_grad=True)

classmethod from_pretrained(embeddings, freeze=True, padding_idx=None, max_norm=None, norm_type=2.0, scale_grad_by_freq=False, sparse=False)[source]#

从给定的二维浮点张量创建 Embedding 实例。

参数

embeddings (Tensor) – 包含 Embedding 权重的 FloatTensor。第一个维度将作为 num_embeddings 传递给 Embedding，第二个维度将作为 embedding_dim 传递。
freeze (bool, optional) – 如果为 True，则张量在学习过程中不会被更新。等同于 embedding.weight.requires_grad = False。默认为 True。
padding_idx (int, optional) – 如果指定，则 padding_idx 处的条目不计入梯度；因此，padding_idx 处的嵌入向量在训练过程中不会被更新，即它仍然是固定的“填充”值。
max_norm (float, optional) – 请参阅模块初始化文档。
norm_type (float, optional) – 请参阅模块初始化文档。默认为 2。
scale_grad_by_freq (bool, optional) – 请参阅模块初始化文档。默认为 False。
sparse (bool, optional) – 请参阅模块初始化文档。

示例

>>> # FloatTensor containing pretrained weights
>>> weight = torch.FloatTensor([[1, 2.3, 3], [4, 5.1, 6.3]])
>>> embedding = nn.Embedding.from_pretrained(weight)
>>> # Get embeddings for index 1
>>> input = torch.LongTensor([1])
>>> embedding(input)
tensor([[ 4.0000,  5.1000,  6.3000]])

Embedding#

文档

教程

资源