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)[原始碼]#
生成一個簡單的查詢表，該表在固定的詞典和大小中查詢嵌入。
此模組通常用於使用索引檢索詞嵌入。模組的輸入是索引列表和嵌入矩陣，輸出是相應的詞嵌入。
有關更多詳細資訊，請參閱
torch.nn.Embedding。注意
請注意，該函式關於
padding_idx指定的行的weight中條目的解析梯度預計與數值梯度不同。注意
請注意，:class:`torch.nn.Embedding` 與此函式不同之處在於，它在構造時將
padding_idx指定的weight的行初始化為全零。- 引數
input (LongTensor) – 包含嵌入矩陣索引的張量
weight (Tensor) – 嵌入矩陣，行數等於最大可能索引 + 1，列數等於嵌入大小
padding_idx (int, optional) – 如果指定，
padding_idx處的條目不計入梯度；因此，padding_idx處的嵌入向量在訓練期間不會被更新，即它保持為一個固定的“pad”。max_norm (float, optional) – 如果給定，範數大於
max_norm的每個嵌入向量將被重新歸一化為具有範數max_norm。注意：這將修改weight（就地）。norm_type (float, optional) – 計算
max_norm選項的 p-範數的 p 值。預設為2.0。scale_grad_by_freq (bool, optional) – 如果給定，這將透過小批次中詞語頻率的倒數來縮放梯度。預設值為
False。sparse (bool, optional) – 如果為
True，則關於weight的梯度將是一個稀疏張量。有關稀疏梯度的更多詳細資訊，請參閱torch.nn.Embedding下的“說明”。
- 返回型別
- 形狀
輸入：任意形狀的 LongTensor，包含要提取的索引
權重：形狀為 (V, embedding_dim)` 的浮點型嵌入矩陣，其中 V = 最大索引 + 1 且 embedding_dim = 嵌入大小
輸出：(*, embedding_dim)`，其中 * 是輸入形狀
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]]])
