pytorch embedding层详解（从原理到实战）

做nlp很多时候要用到嵌入层，pytorch中自带了这个层

什么是embedding层

这是一个写的比较好的

我用最通俗的语言给你讲
在nlp里，embedding层就是把单词表[‘你’，‘好’，‘吗’]
编码成

 ‘你’ --------------[0.2,0.1]
 ‘好’ --------------[0.3,0.2]
 ‘吗’ --------------[0.6,0.5]

的向量的办法

为什么要embedding

这是写的详细的

我还是用一句话概括：
因为one-hot编码表示太浪费内存了，我们都是穷人家的孩子。

pytorch里面怎么用

官方文档/英文

类定义

参数

这里说几个重要参数：

1. num_embeddings: 嵌入层字典的大小（单词本里单词个数）
2. embedding_dim: 每个产出向量的大小
   

说明

以下几点需要注意：

1. 输入输出第一维度默认相同

实例

>>> # 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]]])

自己的小例子更容易懂

a = torch.LongTensor([0])
embedding = torch.nn.Embedding(2, 5)
b = embedding(a)
b
Out[29]: tensor([[1.7931, 0.5004, 0.3444, 0.7140, 0.3001]], grad_fn=<EmbeddingBackward>)