deep-learning - 如何在pytorch中实现低维嵌入层

Question

我最近读了一篇 paper关于嵌入。

在等式。 (3)、f是 4096X1向量。作者尝试将向量压缩为theta (20X1 向量)通过使用嵌入矩阵 E .

方程很简单theta = E*f
我想知道它是否可以使用pytorch为了达到这个目标，那么在训练中，E可以自动学习。

如何完成剩下的？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 one-hot 即使用“嵌入层”，您可以直接使用 embedding layer来自以上以及其他一些事情的火炬。 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]]

然后输入到 nn.Embeddings将会

输入 = [2, 0]

然而，OP 提出的问题是通过矩阵乘法获得嵌入，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 的一个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)

如果您仔细注意到，这与没有偏差且初始化略有不同的线性层相同。因此，您可以通过使用下面的线性层来实现相同的目的。

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)