溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》
您好，登錄后才能下訂單哦！
這篇“PyTorch中的nn.Embedding怎么使用”文章的知識點大部分人都不太理解，所以小編給大家總結(jié)了以下內(nèi)容，內(nèi)容詳細，步驟清晰，具有一定的借鑒價值，希望大家閱讀完這篇文章能有所收獲，下面我們一起來看看這篇“PyTorch中的nn.Embedding怎么使用”文章吧。
太長不看版： NLP任務(wù)所依賴的語言數(shù)據(jù)稱為語料庫。
詳細介紹版： 語料庫（Corpus，復(fù)數(shù)是Corpora）是組織成數(shù)據(jù)集的真實文本或音頻的集合。 此處的真實是指由該語言的母語者制作的文本或音頻。 語料庫可以由從報紙、小說、食譜、廣播到電視節(jié)目、電影和推文的所有內(nèi)容組成。 在自然語言處理中，語料庫包含可用于訓(xùn)練 AI 的文本和語音數(shù)據(jù)。
為簡便起見，假設(shè)我們的語料庫只有三個英文句子并且均已經(jīng)過處理（全部小寫+去掉標點符號）：
corpus = ["he is an old worker", "english is a useful tool", "the cinema is far away"]
我們往往需要將其詞元化（tokenize）以成為一個序列，這里只需要簡單的 split 即可：
def tokenize(corpus): return [sentence.split() for sentence in corpus] tokens = tokenize(corpus) print(tokens) # [['he', 'is', 'an', 'old', 'worker'], ['english', 'is', 'a', 'useful', 'tool'], ['the', 'cinema', 'is', 'far', 'away']]
???? 這里我們是以單詞級別進行詞元化，還可以以字符級別進行詞元化。
詞表不重復(fù)地包含了語料庫中的所有詞元，其實現(xiàn)方式十分容易：
vocab = set(sum(tokens, []))
print(vocab)
# {'is', 'useful', 'an', 'old', 'far', 'the', 'away', 'a', 'he', 'tool', 'cinema', 'english', 'worker'}詞表在NLP任務(wù)中往往并不是最重要的，我們需要為詞表中的每一個單詞分配唯一的索引并構(gòu)建單詞到索引的映射：word2idx。這里我們按照單詞出現(xiàn)的頻率來構(gòu)建 word2idx。
from collections import Counter
word2idx = {
word: idx
for idx, (word, freq) in enumerate(
sorted(Counter(sum(tokens, [])).items(), key=lambda x: x[1], reverse=True))
}
print(word2idx)
# {'is': 0, 'he': 1, 'an': 2, 'old': 3, 'worker': 4, 'english': 5, 'a': 6, 'useful': 7, 'tool': 8, 'the': 9, 'cinema': 10, 'far': 11, 'away': 12}反過來，我們還可以構(gòu)建 idx2word：
idx2word = {idx: word for word, idx in word2idx.items()}
print(idx2word)
# {0: 'is', 1: 'he', 2: 'an', 3: 'old', 4: 'worker', 5: 'english', 6: 'a', 7: 'useful', 8: 'tool', 9: 'the', 10: 'cinema', 11: 'far', 12: 'away'}對于 1.2 節(jié)中的 tokens，也可以轉(zhuǎn)化為索引的表示：
encoded_tokens = [[word2idx[token] for token in line] for line in tokens] print(encoded_tokens) # [[1, 0, 2, 3, 4], [5, 0, 6, 7, 8], [9, 10, 0, 11, 12]]
這種表示方式將在后續(xù)講解 nn.Embedding 時提到。
RNN無法直接處理單詞，因此需要通過某種方法把單詞變成數(shù)字形式的向量才能作為RNN的輸入。這種把單詞映射到向量空間中的一個向量的做法稱為詞嵌入（word embedding），對應(yīng)的向量稱為詞向量（word vector）。
我們首先講解 nn.Embedding 中的基礎(chǔ)參數(shù)，了解它的基本用法后，再講解它的全部參數(shù)。
基礎(chǔ)參數(shù)如下：
nn.Embedding(num_embeddings, embedding_dim)
其中 num_embeddings 是詞表的大小，即 len(vocab)；embedding_dim 是詞向量的維度。
我們使用第一章節(jié)的例子，此時詞表大小為 12 12 12，不妨設(shè)嵌入后詞向量的維度是 3 3 3（即將單詞嵌入到三維向量空間中），則 embedding 層應(yīng)該這樣創(chuàng)建：
torch.manual_seed(0) # 為了復(fù)現(xiàn)性 emb = nn.Embedding(12, 3)
embedding 層中只有一個參數(shù) weight，在創(chuàng)建時它會從標準正態(tài)分布中進行初始化：
print(emb.weight) # Parameter containing: # tensor([[-1.1258, -1.1524, -0.2506], # [-0.4339, 0.8487, 0.6920], # [-0.3160, -2.1152, 0.3223], # [-1.2633, 0.3500, 0.3081], # [ 0.1198, 1.2377, 1.1168], # [-0.2473, -1.3527, -1.6959], # [ 0.5667, 0.7935, 0.4397], # [ 0.1124, 0.6408, 0.4412], # [-0.2159, -0.7425, 0.5627], # [ 0.2596, 0.5229, 2.3022], # [-1.4689, -1.5867, 1.2032], # [ 0.0845, -1.2001, -0.0048]], requires_grad=True)
這里我們可以把 weight 當作 embedding 層的一個權(quán)重。
接下來再來看一下 nn.Embedding 的輸入。直觀來看，給定一個已經(jīng)詞元化的句子，將其中的單詞輸入到 embedding 層應(yīng)該得到相應(yīng)的詞向量。事實上，nn.Embedding 接受的輸入并不是詞元化后的句子，而是它的索引形式，即第一章節(jié)中提到的 encoded_tokens。
nn.Embedding 可以接受任何形狀的張量作為輸入，但因為傳入的是索引，所以張量中的每個數(shù)字都不應(yīng)超過 len(vocab) - 1，否則就會報錯。接下來，nn.Embedding 的作用就像一個查找表（Lookup Table）一樣，通過這些索引在 weight 中查找并返回相應(yīng)的詞向量。
print(emb.weight) # tensor([[-1.1258, -1.1524, -0.2506], # [-0.4339, 0.8487, 0.6920], # [-0.3160, -2.1152, 0.3223], # [-1.2633, 0.3500, 0.3081], # [ 0.1198, 1.2377, 1.1168], # [-0.2473, -1.3527, -1.6959], # [ 0.5667, 0.7935, 0.4397], # [ 0.1124, 0.6408, 0.4412], # [-0.2159, -0.7425, 0.5627], # [ 0.2596, 0.5229, 2.3022], # [-1.4689, -1.5867, 1.2032], # [ 0.0845, -1.2001, -0.0048]], requires_grad=True) sentence = torch.tensor(encoded_tokens[0]) # 一共有三個句子，這里只使用第一個句子 print(sentence) # tensor([1, 0, 2, 3, 4]) print(emb(sentence)) # tensor([[-0.4339, 0.8487, 0.6920], # [-1.1258, -1.1524, -0.2506], # [-0.3160, -2.1152, 0.3223], # [-1.2633, 0.3500, 0.3081], # [ 0.1198, 1.2377, 1.1168]], grad_fn=<EmbeddingBackward0>) print(emb.weight[sentence] == emb(sentence)) # tensor([[True, True, True], # [True, True, True], # [True, True, True], # [True, True, True], # [True, True, True]])
細心的讀者可能已經(jīng)看出 nn.Embedding 和 nn.Linear 似乎很像，那它們到底有什么區(qū)別呢？
回顧 nn.Linear，若不開啟 bias，設(shè)輸入向量為 x，nn.Linear.weight 對應(yīng)的矩陣為 A（形狀為 hidden_size × input_size），則計算方式為：
y=xAT
其中 x , y 均為行向量。
假如 x 是one-hot向量，第 i 個位置是 1 1 1，那么 y 就是 A T 的第 i i 行。
現(xiàn)給定一個單詞 w ，假設(shè)它在 word2idx 中的索引就是 i ，在 nn.Embedding 中，我們根據(jù)這個索引 i 去查找 emb.weight 的第 i 行。而在 nn.Linear 中，我們則是將這個索引 i 編碼成一個one-hot向量，再去乘上對應(yīng)的權(quán)重矩陣得到矩陣的第 i 行。
請看下例：
torch.manual_seed(0) vocab_size = 4 # 詞表大小為4 embedding_dim = 3 # 詞向量維度為3 weight = torch.randn(4, 3) # 隨機初始化權(quán)重矩陣 # 保持線性層和嵌入層具有相同的權(quán)重 linear_layer = nn.Linear(4, 3, bias=False) linear_layer.weight.data = weight.T # 注意轉(zhuǎn)置 emb_layer = nn.Embedding(4, 3) emb_layer.weight.data = weight idx = torch.tensor(2) # 假設(shè)某個單詞在word2idx中的索引為2 word = torch.tensor([0, 0, 1, 0]).to(torch.float) # 上述單詞的one-hot表示 print(emb_layer(idx)) # tensor([ 0.4033, 0.8380, -0.7193], grad_fn=<EmbeddingBackward0>) print(linear_layer(word)) # tensor([ 0.4033, 0.8380, -0.7193], grad_fn=<SqueezeBackward3>)
從中我們可以總結(jié)出：
nn.Linear 接受向量作為輸入，而 nn.Embedding 則是接受離散的索引作為輸入；
nn.Embedding 實際上就是輸入為one-hot向量，且不帶bias的 nn.Linear。
此外，nn.Linear 在運算過程中做了矩陣乘法，而 nn.Embedding 是直接根據(jù)索引查表，因此在該情景下 nn.Embedding 的效率顯然更高。
???? 進一步閱讀： [Stack Overflow] What is the difference between an Embedding Layer with a bias immediately afterwards and a Linear Layer in PyTorch?
在查閱了PyTorch官方論壇和Stack Overflow的一些帖子后，發(fā)現(xiàn)有不少人對 nn.Embedding 中的權(quán)重 weight 是怎么更新的感到非常困惑。
???? nn.Embedding 的權(quán)重實際上就是詞嵌入本身
事實上，nn.Embedding.weight 在更新的過程中既沒有采用 Skip-gram 也沒有采用 CBOW?；仡欁詈唵蔚亩鄬痈兄獧C，其中的 nn.Linear.weight 會隨著反向傳播自動更新。當我們把 nn.Embedding 視為一個特殊的 nn.Linear 后，其更新機制就不難理解了，無非就是按照梯度進行更新罷了。
訓(xùn)練結(jié)束后，得到的詞嵌入是最適合當前任務(wù)的詞嵌入，而非像word2vec，GloVe這種更為通用的詞嵌入。
當然我們也可以在訓(xùn)練開始之前使用預(yù)訓(xùn)練的詞嵌入，例如上述提到的word2vec，但此時應(yīng)該考慮針對當前任務(wù)重新訓(xùn)練或進行微調(diào)。
假如我們已經(jīng)使用了預(yù)訓(xùn)練的詞嵌入并且不想讓它在訓(xùn)練過程中自我更新，那么可以嘗試凍結(jié)梯度，即：
emb.weight.requires_grad = False
???? 進一步閱讀：
[PyTorch Forums] How nn.Embedding trained?
[PyTorch Forums] How does nn.Embedding work?
[Stack Overflow] Embedding in pytorch
[Stack Overflow] What “exactly” happens inside embedding layer in pytorch?
在這一章節(jié)中，我們會講解 nn.Embedding 的所有參數(shù)并介紹如何使用預(yù)訓(xùn)練的詞嵌入。
官方文檔：
padding_idx
我們知道，nn.Embedding 雖然可以接受任意形狀的張量作為輸入，但絕大多數(shù)情況下，其輸入的形狀為 batch_size × sequence_length，這要求同一個 batch 中的所有序列的長度相同。
回顧1.2節(jié)中的例子，語料庫中的三個句子的長度相同（擁有相同的單詞個數(shù)），但事實上這是博主特意選取的三個句子?，F(xiàn)實任務(wù)中，很難保證同一個 batch 中的所有句子長度都相同，因此我們需要對那些長度較短的句子進行填充。因為輸入到 nn.Embedding 中的都是索引，所以我們也需要用索引進行填充，那使用哪個索引最好呢？
假設(shè)語料庫為：
corpus = ["he is an old worker", "time tries truth", "better late than never"]
print(word2idx)
# {'he': 0, 'is': 1, 'an': 2, 'old': 3, 'worker': 4, 'time': 5, 'tries': 6, 'truth': 7, 'better': 8, 'late': 9, 'than': 10, 'never': 11}
print(encoded_tokens)
# [[0, 1, 2, 3, 4], [5, 6, 7], [8, 9, 10, 11]]我們可以在 word2idx 中新增一個詞元 <pad>（代表填充詞元），并為其分配新的索引：
word2idx['<pad>'] = 12
對 encoded_tokens 進行填充：
max_length = max([len(seq) for seq in encoded_tokens]) for i in range(len(encoded_tokens)): encoded_tokens[i] += [word2idx['<pad>']] * (max_length - len(encoded_tokens[i])) print(encoded_tokens) # [[0, 1, 2, 3, 4], [5, 6, 7, 12, 12], [8, 9, 10, 11, 12]]
創(chuàng)建 embedding 層并指定 padding_idx：
emb = nn.Embedding(len(word2idx), 3, padding_idx=12) # 假設(shè)詞向量維度是3 print(emb.weight) # tensor([[ 1.5017, -1.1737, 0.1742], # [-0.9511, -0.4172, 1.5996], # [ 0.6306, 1.4186, 1.3872], # [-0.1833, 1.4485, -0.3515], # [ 0.2474, -0.8514, -0.2448], # [ 0.4386, 1.3905, 0.0328], # [-0.1215, 0.5504, 0.1499], # [ 0.5954, -1.0845, 1.9494], # [ 0.0668, 1.1366, -0.3414], # [-0.0260, -0.1091, 0.4937], # [ 0.4947, 1.1701, -0.5660], # [ 1.1717, -0.3970, -1.4958], # [ 0.0000, 0.0000, 0.0000]], requires_grad=True)
可以看出填充詞元對應(yīng)的詞向量是零向量，并且在訓(xùn)練過程中填充詞元對應(yīng)的詞向量不會進行更新（始終是零向量）。
padding_idx 默認為 None，即不進行填充。
max_norm
如果詞向量的范數(shù)超過了 max_norm，則將其按范數(shù)歸一化至 max_norm：
max_norm 默認為 None，即不進行歸一化。
norm_type
當指定了 max_norm 時，norm_type 決定采用何種范數(shù)去計算。默認是2-范數(shù)。
scale_grad_by_freq
若將該參數(shù)設(shè)置為 True，則對詞向量 w w w 進行更新時，會根據(jù)它在一個 batch 中出現(xiàn)的頻率對相應(yīng)的梯度進行縮放：
默認為 False。
sparse
若設(shè)置為 True，則與 Embedding.weight 相關(guān)的梯度將變?yōu)橄∈鑿埩?，此時優(yōu)化器只能選擇：SGD、SparseAdam 和 Adagrad。默認為 False。
有些情況下我們需要使用預(yù)訓(xùn)練的詞嵌入，這時候可以使用 from_pretrained 方法，如下：
torch.manual_seed(0) pretrained_embeddings = torch.randn(4, 3) print(pretrained_embeddings) # tensor([[ 1.5410, -0.2934, -2.1788], # [ 0.5684, -1.0845, -1.3986], # [ 0.4033, 0.8380, -0.7193], # [-0.4033, -0.5966, 0.1820]]) emb = nn.Embedding(4, 3).from_pretrained(pretrained_embeddings) print(emb.weight) # tensor([[ 1.5410, -0.2934, -2.1788], # [ 0.5684, -1.0845, -1.3986], # [ 0.4033, 0.8380, -0.7193], # [-0.4033, -0.5966, 0.1820]])
如果要避免預(yù)訓(xùn)練的詞嵌入在后續(xù)的訓(xùn)練過程中更新，可將 freeze 參數(shù)設(shè)置為 True：
emb = nn.Embedding(4, 3).from_pretrained(pretrained_embeddings, freeze=True)
以上就是關(guān)于“PyTorch中的nn.Embedding怎么使用”這篇文章的內(nèi)容，相信大家都有了一定的了解，希望小編分享的內(nèi)容對大家有幫助，若想了解更多相關(guān)的知識內(nèi)容，請關(guān)注億速云行業(yè)資訊頻道。
免責聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號
手機網(wǎng)站二維碼