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) [source]

Простой табличный поиск, который ищет вложения в фиксированном словаре и размере.

Этот модуль часто используется для получения векторных представлений слов, используя индексы. Входной параметр модуля — список индексов и матрица вложений, а выходной — соответствующие векторные представления слов.

См. torch.nn.Embedding для получения дополнительной информации.

Параметры:

• input (LongTensor) – Матрица, содержащая индексы в матрице вложений
• weight (Tensor) – Матрица вложений с числом строк, равным максимальному возможному индексу + 1, и числом столбцов, равным размеру вложения
• padding_idx (int, optional) – Если указано, записи в padding_idx не вносят вклад в градиент; следовательно, вектор вложения в padding_idx не обновляется во время обучения, т. е. он остается фиксированным «заполнителем».
• max_norm (float, optional) – Если задано, каждый вектор вложения с нормой, большей чем max_norm, перенормируется так, чтобы иметь норму max_norm. Примечание: это изменит weight непосредственно.
• norm_type (float, optional) – p в p-норме для вычисления max_norm параметра. По умолчанию 2.
• scale_grad_by_freq (bool, optional) – Если задано, это приведет к масштабированию градиентов в обратной пропорции к частоте слов в мини-пакет. По умолчанию False.
• sparse (bool, optional) – Если True, градиент по отношению к weight будет разреженной матрицей. См. Примечания в разделе torch.nn.Embedding для получения дополнительной информации о разреженных градиентах.

Тип возвращаемого значения:

Tensor

Форма:

• Вход: LongTensor произвольной формы, содержащий индексы для извлечения
• Вес: Матрица вложений плавающего типа с формой (V, embedding_dim), где V = максимальный индекс + 1, а embedding_dim = размер вложения
• Выход: (*, embedding_dim), где * — форма входа

Примеры:

>>> # 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]]])