在對文本序列進行分詞（tokenize）并映射后，字符串序列就轉(zhuǎn)變?yōu)榱藬?shù)字（token id）序列，這些 token id 可以直接輸入到模型中，但需要明白的是，模型并不能直接從一個純粹的數(shù)字中獲取豐富的信息。類比到人類的認知，我們理解一個字或詞并不是僅靠符號，而是其背后的含義。

nn.Embedding 嵌入層

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)

A simple lookup table that stores embeddings of a fixed dictionary and size.

一個簡單的查找表，用于存儲固定大小的字典中每個詞的嵌入向量。

參數(shù)

• num_embeddings (int): 嵌入字典的大小，即詞匯表的大小 (vocab size)。
• embedding_dim (int): 每個嵌入向量的維度大小。
• padding_idx (int, 可選): 指定填充對應(yīng)的索引值。該索引對應(yīng)的嵌入向量在訓練過程中不會更新，即梯度不參與反向傳播，通常作為“填充”標記使用。對于新構(gòu)建的 Embedding 模塊，此索引的嵌入向量默認值為全零，但可以更改為其他值。
• max_norm (float, 可選): 如果設(shè)置，超過此值的嵌入向量范數(shù)將被重新歸一化，使其最大范數(shù)等于 max_norm。
• norm_type (float, 可選): 用于計算 max_norm 的 p-范數(shù)，默認為 2，即計算 2 范數(shù)。
• scale_grad_by_freq (bool, 可選): 如果為 True，梯度將根據(jù)單詞在 mini-batch 中的頻率的倒數(shù)進行縮放，適用于高頻詞的梯度調(diào)整。默認為 False。
• sparse (bool, 可選): 如果設(shè)置為 True，則權(quán)重矩陣的梯度為稀疏張量，適合大規(guī)模詞匯表的內(nèi)存優(yōu)化。
• 變量 weight (Tensor): 模塊的可學習權(quán)重，形狀為 (num_embeddings, embedding_dim)，初始值從正態(tài)分布 N(0, 1) 中采樣。

方法

from_pretrained(embeddings, freeze=True, padding_idx=None, max_norm=None, norm_type=2.0, scale_grad_by_freq=False, sparse=False)

Create Embedding instance from given 2-dimensional FloatTensor.

用于從給定的 2 維浮點張量（FloatTensor）創(chuàng)建一個 Embedding 實例。

參數(shù)

• embeddings (Tensor): 一個包含嵌入權(quán)重的 FloatTensor。第一個維度代表 num_embeddings（詞匯表大?。?，第二個維度代表 embedding_dim（嵌入向量維度）。
• freeze (bool, 可選): 如果為 True，則嵌入張量在訓練過程中保持不變，相當于設(shè)置 embedding.weight.requires_grad = False。默認值為 True。
• 其余參數(shù)參考之前定義。

要點示例未完待續(xù)…（預(yù)計 11.6 前上傳）

QA

Q1：對于神經(jīng)網(wǎng)絡(luò)來說，什么是“符號”及其“背后的含義”？

答案是：Token ID 和 Embedding。

那么，什么是 Embedding？

我們可以通過 PyTorch 中的 nn.Embedding 類來理解它，先跳過繁瑣的介紹，運行代碼來直觀感受：

import torch
import torch.nn as nn
# 設(shè)置隨機種子以確保結(jié)果可復現(xiàn)
torch.manual_seed(42)
# 定義嵌入層參數(shù)
num_embeddings = 5  # 假設(shè)詞匯表中有 5 個 token
embedding_dim = 3   # 每個 token 對應(yīng) 3 維嵌入向量
# 初始化嵌入層
embedding = nn.Embedding(num_embeddings, embedding_dim)
# 定義整數(shù)索引
input_indices = torch.tensor([0, 2, 4])
# 查找嵌入向量
output = embedding(input_indices)
# 打印結(jié)果
print("權(quán)重矩陣：")
print(embedding.weight.data)
print("\nEmbedding 輸出：")
print(output)

輸出：

權(quán)重矩陣：
tensor([[ 0.3367,  0.1288,  0.2345],
        [ 0.2303, -1.1229, -0.1863],
        [ 2.2082, -0.6380,  0.4617],
        [ 0.2674,  0.5349,  0.8094],
        [ 1.1103, -1.6898, -0.9890]])

Embedding 輸出：
tensor([[ 0.3367,  0.1288,  0.2345],
        [ 2.2082, -0.6380,  0.4617],
        [ 1.1103, -1.6898, -0.9890]], grad_fn=<EmbeddingBackward0>)

在這里，input_indices = [0, 2, 4] 從權(quán)重矩陣中選擇第 0、2 和 4 行作為對應(yīng)的嵌入表示。是的沒錯，Embedding 的獲取就是這么簡單。

接下來，構(gòu)建一個 Embedding 類進行理解：

class Embedding():
    def __init__(self, num_embeddings, embedding_dim):
        self.weight = torch.nn.Parameter(torch.randn(num_embeddings, embedding_dim))
    def forward(self, indices):
        return self.weight[indices]  # 沒錯，就是返回對應(yīng)的行

可以看出，Embedding 類的本質(zhì)是一個查找表（lookup table）。在上面的示例中，embedding.weight 中存儲了 5 個（num_embeddings）嵌入向量，每個向量有 3 個維度（embedding_dim）。當提供 input_indices 時，查找表返回對應(yīng)的嵌入向量（權(quán)重矩陣的行）。

Q2: 最初的權(quán)重矩陣是什么？最終的嵌入向量由什么決定？

最初的權(quán)重矩陣是一般隨機初始化的，在訓練過程中會更新權(quán)重，使其能有效地表達背后的含義。

Q3: 什么是語義？

舉個簡單的例子來理解“語義”關(guān)系：像“貓”和“狗”在向量空間中的表示應(yīng)該非常接近，因為它們都是寵物；“男人”和“女人”之間的向量差異可能代表性別的區(qū)別。此外，不同語言的詞匯，如“男人”（中文）和“man”（英文），如果在相同的嵌入空間中，它們的向量也會非常接近，反映出跨語言的語義相似性。同時，【“女人”和“woman”（中文-英文）】與【“男人”和“man”（中文-英文）】之間的差異也可能非常相似。

本文“狹義”地解讀了與 Token id 一起出現(xiàn)的 Embedding，這個概念在自然語言處理（NLP）中有著更具體的稱呼：Word Embedding。

到此這篇關(guān)于PyTorch nn.Embedding() 嵌入詳解的文章就介紹到這了,更多相關(guān)PyTorch nn.Embedding() 嵌入內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論