如何在pytorch中实现低维嵌入层

Question

我最近阅读了一篇关于嵌入的 paper。

在等式中。 (3)、f是一个4096X1向量。作者尝试使用嵌入矩阵 E 将向量压缩为 theta（一个 20X1 向量）。

等式很简单theta = E*f

我想知道是否可以使用pytorch来实现这个目标，然后在训练中，可以自动学习E。

剩下的如何完成？非常感谢。

演示代码如下：

import torch
from torch import nn

f = torch.randn(4096,1)

Answer 1

假设您的输入向量是单热的，也就是使用 "embedding layers" 的地方，您可以直接使用 torch 中的 embedding layer，它可以执行上述操作以及其他一些操作。 nn.Embeddings 将one-hot向量的非零索引作为长张量的输入。例如：如果特征向量是

f = [[0,0,1], [1,0,0]]

然后输入 nn.Embeddings 将是

输入 = [2, 0]

但是，OP 提出的问题是通过矩阵乘法获取嵌入，下面我将解决这个问题。您可以定义一个模块来执行此操作，如下所示。因为，param 是 nn.Parameter 的实例，它将被注册为参数，并在您调用 Adam 或任何其他优化器时进行优化。

class Embedding(nn.Module):
    def __init__(self, input_dim, embedding_dim):
        super().__init__()
        self.param = torch.nn.Parameter(torch.randn(input_dim, embedding_dim))

    def forward(self, x):
        return torch.mm(x, self.param)

如果您仔细观察，这与没有偏差且初始化略有不同的线性层相同。因此，您可以通过使用如下所示的线性层来实现相同的效果。

self.embedding = nn.Linear(4096, 20, bias=False)
# change initial weights to normal[0,1] or whatever is required
embedding.weight.data = torch.randn_like(embedding.weight)

如何在pytorch中实现低维嵌入层

How to implement low-dimensional embedding layer in pytorch

deep-learning

pytorch

layer

embedding