当前位置：首页 > wzjs >正文

东莞最好的网站建设响应式网站开发教程pdf

wzjs 2025/9/7 8:03:47

东莞最好的网站建设,响应式网站开发教程pdf,多用户商城系统哪个公司的好,一个公司怎么做网站都放些什么在 PyTorch 中，nn.Embedding 是一个用于处理离散符号映射到连续向量空间的模块。它通常用于自然语言处理（NLP）任务（如词嵌入）、处理分类特征，或任何需要将离散索引转换为密集向量的场景。核心理解功能&am…

在 PyTorch 中，nn.Embedding 是一个用于处理离散符号映射到连续向量空间的模块。它通常用于自然语言处理（NLP）任务（如词嵌入）、处理分类特征，或任何需要将离散索引转换为密集向量的场景。

核心理解

功能：
- 将离散的整数索引（例如单词的索引、类别ID）映射为固定维度的连续向量。
- 这些向量是可学习的参数，在训练过程中通过反向传播优化。
参数：
- num_embeddings：词汇表的大小（有多少个唯一的符号/类别）。
- embedding_dim：每个符号对应的向量维度。
- 例如：nn.Embedding(1000, 128) 表示将 1000 个符号映射到 128 维的向量空间。
输入与输出：
- 输入：一个整数张量，形状为 (*)（可以是任意维度，通常是 [batch_size, sequence_length]）。
- 输出：形状为 (*, embedding_dim) 的张量。例如，输入形状为 [2, 3]，输出为 [2, 3, 128]。

工作原理

内部权重矩阵：
- nn.Embedding 内部维护一个形状为 (num_embeddings, embedding_dim) 的权重矩阵。
- 当输入索引 i 时，输出是该矩阵的第 i 行（即 weight[i]）。
类比 One-Hot + 全连接层：
- 可以理解为对输入进行 One-Hot 编码，然后通过一个 无偏置的全连接层。
- 例如，输入 3 会转换为一个 One-Hot 向量 [0,0,0,1,0,...]，再与权重矩阵相乘，直接取出第 3 行的向量。
- 但实际实现是高效的直接索引查找，避免了显式的 One-Hot 计算。

使用示例

import torch
import torch.nn as nn# 定义 Embedding 层：10 个符号，每个符号映射到 3 维向量
embedding = nn.Embedding(num_embeddings=10, embedding_dim=3)# 输入：形状为 [2, 4] 的整数张量（例如，两个样本，每个样本长度为4）
input_indices = torch.LongTensor([[1,2,4,5], [4,3,2,9]])# 输出：形状为 [2, 4, 3]
output = embedding(input_indices)
print(output)

关键特性

可学习的参数：
- 通过 embedding.weight 可以访问或修改权重矩阵（例如加载预训练词向量）。
- 默认初始化：权重矩阵的值从正态分布 N(0,1) 中随机采样。
填充索引（Padding）：
- 通过 padding_idx 参数指定填充位置的索引（例如 padding_idx=0），使该位置的向量在训练中不更新。
冻结权重：
- 通过 embedding.weight.requires_grad_(False) 可以冻结参数，使其不参与训练。

应用场景

词嵌入（Word Embedding）：

vocab_size = 5000  # 词汇表大小
embedding_dim = 300
embedding_layer = nn.Embedding(vocab_size, embedding_dim)

类别特征嵌入：
- 处理分类特征时，将类别ID转换为向量（类似One-Hot的密集版本）。
推荐系统：
- 用户ID、物品ID的嵌入表示。

注意事项

输入范围：
- 输入的索引必须在 [0, num_embeddings-1] 范围内，否则会报错。
梯度传播：
- 只有实际被用到的索引对应的向量会更新梯度（未被使用的索引不影响模型参数）。
预训练初始化：
- 可以加载预训练的权重（如 Word2Vec、GloVe）：
```
embedding_layer.weight.data.copy_(torch.from_numpy(pretrained_matrix))
```