我是 Pytorch 的新手,我正在尝试在嵌入上实现一种“训练后”程序。
我有一个包含一组项目的词汇表,并且我已经为每个项目学习了一个向量。 我将学习到的向量保存在 nn.Embedding 对象中。 我现在想做的是将新项目添加到词汇表中,而不更新已经学习的向量。新项目的嵌入将随机初始化,然后在保持所有其他嵌入卡住的同时进行训练。
我知道为了防止 nn.Embedding 被训练,我需要将其 requires_grad
变量设置为 False
。我还发现了this other question这和我的很相似。最佳答案建议
将卡住向量和要训练的向量存储在不同的 nn.Embedding 对象中,前者使用
requires_grad = False
,后者使用requires_grad = True
或者将卡住向量和新向量存储在同一个 nn.Embedding 对象中,计算所有向量的梯度,但仅在新项向量的维度上进行降序。然而,这会导致性能相应下降(当然,我想避免这种情况)。
我的问题是,我确实需要将新项目的向量存储在与旧项目的卡住向量相同的 nn.Embedding 对象中。这个约束的原因如下:当使用项目(旧的和新的)的嵌入构建我的损失函数时,我需要根据项目的 id 查找向量,出于性能原因,我需要使用 Python 切片。换句话说,给定一个项目 id item_ids
列表,我需要执行 vecs = embedding[item_ids]
之类的操作。如果我对旧项目和新项目使用两个不同的 nn.Embedding 项目,我将需要使用带有 if-else 条件的显式 for 循环,这会导致性能更差。
有什么办法可以做到这一点吗?
最佳答案
如果你看看 nn.Embedding 的实现它使用 embedding 的函数形式在前传中。因此,我认为您可以实现一个自定义模块来执行以下操作:
import torch
from torch.nn.parameter import Parameter
import torch.nn.functional as F
weights_freeze = torch.rand(10, 5) # Don't make parameter
weights_train = Parameter(torch.rand(2, 5))
weights = torch.cat((weights_freeze, weights_train), 0)
idx = torch.tensor([[11, 1, 3]])
lookup = F.embedding(idx, weights)
# Desired result
print(lookup)
lookup.sum().backward()
# 11 corresponds to idx 1 in weights_train so this has grad
print(weights_train.grad)
关于python - 仅卡住 torch.nn.Embedding 对象的某些行,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/60615832/