使用 nn.Embedding()如何使用的例子

nn.Embedding()可以用来创建一个词嵌入层，将离散的词语映射为连续的向量表示。以下是一个使用nn.Embedding()的例子：

import torch
import torch.nn as nn

# 定义一个大小为10的词表，每个词嵌入向量的长度为3
vocab_size = 10
embedding_dim = 3

# 定义一个nn.Embedding()层
embedding = nn.Embedding(vocab_size, embedding_dim)

# 定义一个输入序列
input_seq = torch.LongTensor([1, 3, 5, 7])

# 将输入序列通过nn.Embedding()层得到词嵌入向量
embedding_output = embedding(input_seq)

print(embedding_output)

输出结果为：

tensor([[-1.2244,  1.1189, -1.2583],
        [-0.0767, -0.6691, -0.7467],
        [-1.1457,  0.1918,  0.5475],
        [ 0.4068, -0.6395,  1.0637]], grad_fn=<EmbeddingBackward>)

在上面的例子中，我们首先定义了一个大小为10的词表，每个词嵌入向量的长度为3。然后我们创建一个nn.Embedding()层，输入参数为词表大小和词嵌入向量的长度。接着我们定义了一个输入序列，包含了4个词语的索引。最后，我们将输入序列通过nn.Embedding()层得到词嵌入向量。输出结果是一个4x3的矩阵，每行代表一个词语的词嵌入向量。