卖酒网站排名常州网站优化

目录

1、文本嵌入层的作用

2、代码演示

3、构建Embeddings类来实现文本嵌入层

---

1、文本嵌入层的作用

• 无论是源文本嵌入层还是目标文本嵌入，都是为了将文本词汇中的数字表示转变为向量表示，希望在这样的高维空间中捕捉词汇之间的关系

2、代码演示

Embedding（10，3）中的第一个参数10代表的是词表的大小，即词表中不同单词的数量

词表中有10个不同的单词，每个单词都被映射成一个长度为3的向量

embedding = nn.Embedding(10,3)
print(embedding)
input = torch.LongTensor([[1,2,3,4],[4,3,2,9]])
embedding(input)

3、构建Embeddings类来实现文本嵌入层

# 构建Embedding类来实现文本嵌入层
class Embeddings(nn.Module):def __init__(self,vocab,d_model):""":param vocab: 词表的大小:param d_model: 词嵌入的维度"""super(Embeddings,self).__init__()self.lut = nn.Embedding(vocab,d_model)self.d_model = d_modeldef forward(self,x):""":param x: 因为Embedding层是首层，所以代表输入给模型的文本通过词汇映射后的张量:return:"""return self.lut(x) * math.sqrt(self.d_model)

x = Variable(torch.LongTensor([[100,2,42,508],[491,998,1,221]]))
emb = Embeddings(1000,512)
embr = emb(x)
print(embr.shape)
print(embr)
print(embr[0][0].shape)

在代码 emb = Embeddings(1000，512) 中，1000是词表的大小，即词表中不同单词的数量。在这个例子中，词表中有1000个不同的单词，每个单词都被映射成一个长度为512的向量。在实际应用中，词表的大小可能会更大或更小，具体大小取决于使用场景和任务需求

embr.shape为torch.Size([2, 4, 512])，代表有2个句子，每个句子有4个单词，每个单词的embedding维度为512