我最近读了一篇 paper关于嵌入。
在等式。 (3)、f
是 4096X1
向量。作者尝试将向量压缩为theta
(20X1
向量)通过使用嵌入矩阵 E
.
方程很简单theta = E*f
我想知道它是否可以使用pytorch
为了达到这个目标,那么在训练中,E
可以自动学习。
如何完成剩下的?非常感谢。
演示代码如下:
import torch
from torch import nn
f = torch.randn(4096,1)
最佳答案
假设您的输入向量是 one-hot 即使用“嵌入层”,您可以直接使用 embedding layer来自以上以及其他一些事情的火炬。 nn.Embeddings
将 one-hot 向量的非零索引作为长张量的输入。例如:如果特征向量是
f = [[0,0,1], [1,0,0]]
然后输入到
nn.Embeddings
将会输入 = [2, 0]
然而,OP 提出的问题是通过矩阵乘法获得嵌入,下面我将解决这个问题。您可以定义一个模块来执行此操作,如下所示。因为,param 是
nn.Parameter
的一个实例它将被注册为参数,并在您调用 Adam 或任何其他优化器时进行优化。class Embedding(nn.Module):
def __init__(self, input_dim, embedding_dim):
super().__init__()
self.param = torch.nn.Parameter(torch.randn(input_dim, embedding_dim))
def forward(self, x):
return torch.mm(x, self.param)
如果您仔细注意到,这与没有偏差且初始化略有不同的线性层相同。因此,您可以通过使用下面的线性层来实现相同的目的。
self.embedding = nn.Linear(4096, 20, bias=False)
# change initial weights to normal[0,1] or whatever is required
embedding.weight.data = torch.randn_like(embedding.weight)
关于deep-learning - 如何在pytorch中实现低维嵌入层,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55427386/