pytorch - pytorch的嵌入层内部发生了什么“确切”的变化？

Question

通过多次搜索和pytorch文档本身，我可以发现在嵌入层内部有一个查找表，用于存储嵌入向量。我无法理解的是：


在这一层的培训期间究竟发生了什么？
权重是多少，以及这些权重的梯度是如何计算的？
我的直觉是，至少应该有一个带有一些参数的函数，该函数会生成查找表的键。如果是这样，那功能是什么？


任何帮助，将不胜感激。谢谢。

Answer 1

这是一个很好的问题！ PyTorch的嵌入层（Tensorflow也是如此）用作查找表，只是为每个输入（索引）检索嵌入。考虑以下情况，您有一个句子，其中每个单词都被标记。因此，句子中的每个单词都用唯一的整数（索引）表示。如果索引（单词）的列表是[1, 5, 9]，并且您想要使用50维度向量（嵌入）对每个单词进行编码，则可以执行以下操作：

# The list of tokens
tokens = torch.tensor([0,5,9], dtype=torch.long)
# Define an embedding layer, where you know upfront that in total you
# have 10 distinct words, and you want each word to be encoded with
# a 50 dimensional vector
embedding = torch.nn.Embedding(num_embeddings=10, embedding_dim=50)
# Obtain the embeddings for each of the words in the sentence
embedded_words = embedding(tokens)

现在，回答您的问题：

在前进过程中，将以与Numpy的索引工作类似的方式获得句子中每个标记的值。因为在后端，这是一个微分运算，所以在向后遍历（训练）期间，Pytorch将为每个嵌入计算梯度并相应地重新调整它们。

权重是嵌入本身。词嵌入矩阵实际上是权重矩阵，将在训练过程中学习。

本身没有实际功能。正如我们上面所定义的，句子已经被标记化了（每个单词都由一个唯一的整数表示），我们可以为句子中的每个标记获得嵌入。


最后，正如我多次提到带有索引的示例一样，让我们​​尝试一下。

# Let us assume that we have a pre-trained embedding matrix
pretrained_embeddings = torch.rand(10, 50)
# We can initialize our embedding module from the embedding matrix
embedding = torch.nn.Embedding.from_pretrained(pretrained_embeddings)
# Some tokens
tokens = torch.tensor([0,5,9], dtype=torch.long)

# Token embeddings from the lookup table
lookup_embeddings = embedding(tokens)
# Token embeddings obtained with indexing
indexing_embeddings = pretrained_embeddings[tokens]
# Voila! They are the same
np.testing.assert_array_equal(lookup_embeddings.numpy(), indexing_embeddings.numpy())