nn.embedding简单理解_nn.embedding 输入int-CSDN博客

本文链接：https://blog.csdn.net/qq_54867493/article/details/128504640

本文详细介绍了PyTorch中nn.Embedding模块的参数和用法。nn.Embedding主要用于将离散符号（如词汇表中的单词）映射到连续的向量空间。参数包括词典大小、嵌入维度、填充ID、最大范数等。通过实例展示了如何初始化和使用Embedding层，并讲解了如何导入预训练词向量并保持其在训练过程中的不变性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参考 Torch.nn.Embedding的用法 - 知乎，关于nn.embedding的理解_蚌埠先森的博客-CSDN博客_nn.embedding weight

import torch.nn as nn
nn.Embedding(num_embeddings, embedding_dim, padding_idx=None, max_norm=None, norm_type=2, scale_grad_by_freq=False, sparse=False)

参数解释

num_embeddings (int) ：词典的大小尺寸，比如总共出现5000个词，那就输入5000。此时index为（0-4999）
embedding_dim (int) ：嵌入向量的维度，即用多少维来表示一个符号。
padding_idx (int, optional) ：填充id，比如，输入长度为100，但是每次的句子长度并不一样，后面就需要用统一的数字填充，而这里就是指定这个数字，这样，网络在遇到填充id时，就不会计算其与其它符号的相关性。（初始化为0）
max_norm (float, optional) ：最大范数，如果嵌入向量的范数超过了这个界限，就要进行再归一化。
norm_type (float, optional) ：指定利用什么范数计算，并用于对比max_norm，默认为2范数。
scale_grad_by_freq (boolean, optional) ：根据单词在mini-batch中出现的频率，对梯度进行放缩。默认为False.
sparse (bool, optional) ：若为True,则与权重矩阵相关的梯度转变为稀疏张量

使用方法

我们只需要初始化 torch.nn.Embedding(n,m)，n是单词数，m就是词向量的维度。一开始embedding是随机的，在训练的时候会自动更新。

举个简单的例子：

word1和word2是两个长度为3的句子，保存的是单词所对应的词向量的索引号。随机生成(4，5)维度大小的embedding，可以通过embedding.weight查看embedding的内容。输入word1时，embedding会输出第0，1，2行词向量的内容，同理输入word2时，embedding会输出第3，1，2行词向量的内容。

word1 = torch.LongTensor([0, 1, 2])
word2 = torch.LongTensor([3, 1, 2])
embedding = torch.nn.Embedding(4, 5)
print(embedding.weight)
print('word1:')
print(embedding(word1))
print('word2:')
print(embedding(word2))

除此之外，我们也可以导入已经训练好的词向量，但是需要设置训练过程中不更新。

如下，emb是已经训练得到的词向量，先初始化等同大小的embedding，然后将emb的数据复制过来，最后一定要设置weight.requires_grad为False。

self.embedding = torch.nn.Embedding(emb.size(0), emb.size(1))
self.embedding.weight = torch.nn.Parameter(emb)
# 固定embedding
self.embedding.weight.requires_grad = False