Embedding#

class torch.nn.modules.sparse.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)[原始碼]#

一個簡單的查詢表，儲存固定詞彙表和大小的嵌入。

該模組通常用於儲存詞嵌入並使用索引檢索它們。模組的輸入是索引列表，輸出是相應的詞嵌入。

引數

num_embeddings (int) – 嵌入字典的大小。
embedding_dim (int) – 每個嵌入向量的大小。
padding_idx (int, optional) – 如果指定，則 padding_idx 處的條目不計入梯度；因此，在訓練過程中，padding_idx 處的嵌入向量不會被更新，即它保持為一個固定的“填充”。對於新建立的 Embedding，padding_idx 處的嵌入向量預設為全零，但可以更新為其他值以用作填充向量。
max_norm (float, optional) – 如果給定，則範數大於 max_norm 的每個嵌入向量將被重新歸一化為範數為 max_norm。
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 weight 矩陣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 Notes。

變數

weight (Tensor) – 模組的可學習權重，形狀為 (num_embeddings, embedding_dim)，從 $\mathcal{N}(0, 1)$ 中初始化

形狀

輸入: $(*)$ ，包含要提取的索引的任意形狀的 IntTensor 或 LongTensor
輸出: $(*, H)$ ，其中 * 是輸入形狀， $H=\text{embedding\_dim}$

注意

請注意，只有少數最佳化器支援稀疏梯度：目前是 optim.SGD （CUDA 和 CPU）、optim.SparseAdam （CUDA 和 CPU）和 optim.Adagrad （CPU）

注意

當 max_norm 不為 None 時，Embedding 的 forward 方法將就地修改 weight 張量。由於梯度計算所需的張量不能就地修改，因此在呼叫 Embedding 的 forward 方法之前，對 Embedding.weight 執行可微分操作時，如果 max_norm 不為 None，則需要克隆 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)[原始碼]#

從給定的二維 FloatTensor 建立 Embedding 例項。

引數

embeddings (Tensor) – 包含 Embedding 權重的 FloatTensor。第一維傳遞給 Embedding 作為 num_embeddings，第二維作為 embedding_dim。
freeze (bool, optional) – 如果為 True，則張量在學習過程中不會被更新。等同於 embedding.weight.requires_grad = False。預設值：True
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) – 請參閱模組初始化文件。
norm_type (float, optional) – 請參見模組初始化文件。預設為 2.0。
scale_grad_by_freq (bool, optional) – 請參見模組初始化文件。預設為 False。
sparse (bool, optional) – 請參閱模組初始化文件。

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#

文件

教程

資源