torch.nn.Embedding理解

本文通过实例详细解析了PyTorch中的嵌入层(embedding layer)工作原理,展示了如何将输入张量转换为固定大小的密集向量,适用于自然语言处理和推荐系统等场景。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

看官方的文档之后,自己的理解,供以后学习之用。

#输入的batch为2,每个batch有4个索引 
input = torch.tensor([[1,2,4,5],[4,3,2,9]]) 
#字典中包含的词有10个,每个3维
embedding_matrix = torch.rand(10, 3)
F.embedding(input, embedding_matrix)
tensor([[[ 0.8490,  0.9625,  0.6753],
             [ 0.9666,  0.7761,  0.6108],
             [ 0.6246,  0.9751,  0.3618],
             [ 0.4161,  0.2419,  0.7383]],
             [[ 0.6246,  0.9751,  0.3618],
             [ 0.0237,  0.7794,  0.0528],
             [ 0.9666,  0.7761,  0.6108],
             [ 0.3385,  0.8612,  0.1867]]])

所以最后得到了一个shape为(2,4,3)的一个tensor。

评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值