1、nn.Embedding
- 首先我们讲解一下关于嵌入向量embedding vector的概念
1)在自然语言处理NLP领域,是将单词、短语或其他文本单位映射到一个固定长度的实数向量空间中。嵌入向量具有较低的维度,通常在几十到几百维之间,且每个维度都包含一定程度上的语义信息。这意味着在嵌入向量空间中,语义上相似的单词在向量空间中也更加接近。
2)在计算机视觉领域,是将图像或图像中的区域映射到一个固定长度的实数向量空间中。嵌入向量在计算机视觉任务中起到了表示和提取特征的作用。通过将图像映射到嵌入向量空间,可以捕捉到图像的语义信息、视觉特征以及图像之间的相似性。文章来源地址https://www.toymoban.com/news/detail-650147.html
- 总之,嵌入向量是具有固定维度的,而不论是在NLP领域还是CV领域,都需要生成多个嵌入向量,因此也有固定数量。
- 于是,我们就可以简单理解该类为:
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)
''
一个简单的查找表,用于存储固定词典和尺寸的embeddings:其实就是存储了固定数量的具有固定维度的嵌入向量
该模块需要使用索引检索嵌入向量:也就是说模块的输入是索引列表,输出是相应存储的嵌入向量。
1) num_embeddings: 嵌入向量的数量
2) embedding_dim: 嵌入向量的维度
注意:
1)它的成员变量weight:具有shape为 (num_embeddings, embedding_dim) 的可学习的参数
2)输入为:任意形状[*]的IntTensor或LongTensor,内部元素为索引值,即0到num_embeddings-1之间的值
输出为:[*, H]的嵌入向量,H为embedding_dim
''
- 例如:
from torch import nn
import torch
# 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]])
print(embedding(input))
print(embedding.weight)
''
输出为:
tensor([[[ 0.4125, 0.1478, 0.3764],
[ 0.5272, -0.4960, 1.5926],
[ 0.2231, -0.7653, -0.5333],
[ 2.8278, 1.5299, 1.4080]],
[[ 0.2231, -0.7653, -0.5333],
[-0.3996, 0.3626, -0.3369],
[ 0.5272, -0.4960, 1.5926],
[ 0.6222, 1.3385, 0.6861]]], grad_fn=<EmbeddingBackward>)
Parameter containing:
tensor([[-0.1316, -0.2370, -0.8308],
[ 0.4125, 0.1478, 0.3764],
[ 0.5272, -0.4960, 1.5926],
[-0.3996, 0.3626, -0.3369],
[ 0.2231, -0.7653, -0.5333],
[ 2.8278, 1.5299, 1.4080],
[-0.4182, 0.4665, 1.5345],
[-1.2107, 0.3569, 0.9719],
[-0.6439, -0.4095, 0.6130],
[ 0.6222, 1.3385, 0.6861]], requires_grad=True)
''
2、使用场景
- transformer decoder输入的嵌入向量Output Embedding
- DETR中的decoder的object queries
文章来源:https://www.toymoban.com/news/detail-650147.html
到了这里,关于【Pytorch:nn.Embedding】简介以及使用方法:用于生成固定数量的具有指定维度的嵌入向量embedding vector的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!