品牌购买网站_佛山网站优化运营_营销型网站建设专家_网站托管代运营

示例回顾

import torch
import torch.nn as nn# 定义嵌入字典的大小和嵌入维度
num_embeddings = 10
embedding_dim = 3# 创建一个 nn.EmbeddingBag 实例
embedding_bag = nn.EmbeddingBag(num_embeddings, embedding_dim, mode='mean')# 定义输入索引和偏移量
input_indices = torch.tensor([1, 2, 4, 5, 4, 3, 2, 9])
offsets = torch.tensor([0, 4])# 计算嵌入并进行归约
output = embedding_bag(input_indices, offsets)print("EmbeddingBag output:")
print(output)

解释

1. 嵌入字典：

   • num_embeddings = 10 表示嵌入字典的大小，即词汇表的大小。
   • embedding_dim = 3 表示每个嵌入向量的维度。

2. 输入索引和偏移量：

   • input_indices = torch.tensor([1, 2, 4, 5, 4, 3, 2, 9]) 是输入的索引张量，表示需要嵌入的词汇索引。
   • offsets = torch.tensor([0, 4]) 是偏移量张量，表示每个序列的起始位置。

3. 嵌入向量：

   • nn.EmbeddingBag 会根据 input_indices 从嵌入字典中查找对应的嵌入向量。

计算过程

假设嵌入字典中的嵌入向量如下（随机初始化）：

embedding_matrix = [[0.1, 0.2, 0.3],  # index 0[0.4, 0.5, 0.6],  # index 1[0.7, 0.8, 0.9],  # index 2[1.0, 1.1, 1.2],  # index 3[1.3, 1.4, 1.5],  # index 4[1.6, 1.7, 1.8],  # index 5[1.9, 2.0, 2.1],  # index 6[2.2, 2.3, 2.4],  # index 7[2.5, 2.6, 2.7],  # index 8[2.8, 2.9, 3.0]   # index 9
]

计算步骤

1. 查找嵌入向量 - 对于 input_indices = [1, 2, 4, 5, 4, 3, 2, 9]，查找对应的嵌入向量：

   [[0.4, 0.5, 0.6],  # index 1[0.7, 0.8, 0.9],  # index 2[1.3, 1.4, 1.5],  # index 4[1.6, 1.7, 1.8],  # index 5[1.3, 1.4, 1.5],  # index 4[1.0, 1.1, 1.2],  # index 3[0.7, 0.8, 0.9],  # index 2[2.8, 2.9, 3.0]   # index 9
   ]
   

2. 应用偏移量：

   • offsets = [0, 4] 表示两个序列的起始位置：
     • 第一个序列：input_indices[0:4] 对应的嵌入向量：

       [[0.4, 0.5, 0.6],  # index 1[0.7, 0.8, 0.9],  # index 2[1.3, 1.4, 1.5],  # index 4[1.6, 1.7, 1.8]   # index 5
       ]
       

     • 第二个序列：input_indices[4:8] 对应的嵌入向量：

       [[1.3, 1.4, 1.5],  # index 4[1.0, 1.1, 1.2],  # index 3[0.7, 0.8, 0.9],  # index 2[2.8, 2.9, 3.0]   # index 9
       ]
       

3. 计算平均值：

   • 对每个序列的嵌入向量进行平均计算：
     • 第一个序列的平均值：

       mean([[0.4, 0.5, 0.6],[0.7, 0.8, 0.9],[1.3, 1.4, 1.5],[1.6, 1.7, 1.8]
       ]) = [1.0, 1.1, 1.2]
       

     • 第二个序列的平均值：

       mean([[1.3, 1.4, 1.5],[1.0, 1.1, 1.2],[0.7, 0.8, 0.9],[2.8, 2.9, 3.0]
       ]) = [1.45, 1.55, 1.65]
       

4. 输出结果：

   • 最终输出的嵌入向量为：

     [[1.0, 1.1, 1.2],[1.45, 1.55, 1.65]
     ]
     

总结

在 nn.EmbeddingBag 中，mean 模式会对输入索引对应的嵌入向量进行平均计算。具体步骤如下：

1. 根据输入索引查找对应的嵌入向量。
2. 根据偏移量将输入索引分成多个序列。
3. 对每个序列的嵌入向量进行平均计算。
4. 输出归约后的嵌入向量。

通过这种方式，nn.EmbeddingBag 可以高效地处理变长序列的嵌入操作，并进行归约计算。