怎么查网站关键词排名个人网站设计企业

核心参数与用法
nn.Embedding的核心参数：

num_embeddings：嵌入表的大小（即离散特征的总类别数，如词汇表大小）。
embedding_dim：每个嵌入向量的维度（输出向量的长度）。
padding_idx（可选）：指定一个索引，其对应的嵌入向量将始终为 0（用于处理填充符号）。

import torch
import torch.nn as nn# 定义嵌入层：词汇表大小为10（索引0-9），嵌入维度为3
embedding = nn.Embedding(num_embeddings=10, embedding_dim=3)# 输入：形状为(batch_size, seq_len)的整数张量（索引必须在[0, num_embeddings-1]范围内）
input_indices = torch.tensor([[1, 3, 5], [2, 4, 6]])  # 批量大小为2，序列长度为3# 前向传播：获取嵌入向量
output_embeddings = embedding(input_indices)print("输入形状：", input_indices.shape)  # 输出：torch.Size([2, 3])
print("输出形状：", output_embeddings.shape)  # 输出：torch.Size([2, 3, 3])（每个索引被映射为3维向量）
print("输出内容：\n", output_embeddings)

输入形状： torch.Size([2, 3])
输出形状： torch.Size([2, 3, 3])
输出内容：tensor([[[ 0.5095,  0.3979, -1.7759],[-0.1456,  1.6262,  0.3929],[ 0.8530, -0.6685,  1.6823]],[[ 1.0323, -0.0969, -0.6512],[ 0.2309, -1.5649,  0.7431],[-0.3285, -0.2512, -0.1028]]], grad_fn=<EmbeddingBackward0>)
Parameter containing:
tensor([[-1.8749,  0.2108,  0.4401],[ 0.5095,  0.3979, -1.7759],[ 1.0323, -0.0969, -0.6512],[-0.1456,  1.6262,  0.3929],[ 0.2309, -1.5649,  0.7431],[ 0.8530, -0.6685,  1.6823],[-0.3285, -0.2512, -0.1028],[-0.1919,  0.2022, -0.2425],[-0.7266,  1.3337, -0.7980],[ 0.0791, -0.7093,  0.2264]], requires_grad=True)