举一个使用nn.Embedding的例子

好的，下面是一个使用nn.Embedding的例子：

import torch
import torch.nn as nn

# 假设我们要将10个单词表示成5维的向量
vocab_size = 10
embedding_dim = 5

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

# 输入一个1维tensor，表示单词的序号
input_tensor = torch.LongTensor([1, 3, 5, 7, 9])

# 使用Embedding层将输入的序号转换成对应的向量
output_tensor = embedding(input_tensor)

# 打印输出的张量的形状和值
print(output_tensor.size())
print(output_tensor)

在这个例子中，我们首先定义了词汇表的大小为10，每个单词用一个5维的向量表示。然后，我们定义了一个Embedding层，输入的是单词的序号，输出的是对应的向量。接着，我们将[1, 3, 5, 7, 9]这个序号的列表作为输入，使用Embedding层将其转换为对应的向量。最后，我们打印输出的张量的形状和值。

运行程序后，我们可以看到输出的形状为(5, 5)，表示有5个单词，每个单词用一个5维的向量表示。输出的值为一个5x5的矩阵，其中每一行表示一个单词的向量表示。

相关问题

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。

isinstance(module, (nn.Linear, nn.Embedding)

可以使用isinstance()函数来判断一个对象是否属于指定的类或类型。在这个例子中，我们可以使用isinstance()函数来判断module是否属于nn.Linear或nn.Embedding类。

以下是一个示例代码：

import torch.nn as nn

module = nn.Linear(10, 10)

if isinstance(module, (nn.Linear, nn.Embedding)):
    print("module is an instance of nn.Linear or nn.Embedding")
else:
    print("module is not an instance of nn.Linear or nn.Embedding")

运行以上代码，如果module是nn.Linear或nn.Embedding的实例，则会输出"module is an instance of nn.Linear or nn.Embedding"，否则会输出"module is not an instance of nn.Linear or nn.Embedding"。