1--nn.Embedding()的用法

import torch.nn as nn

embedding = nn.Embedding(num_embeddings = 10, embedding_dim = 256)

nn.Embedding()产生一个权重矩阵weight，其shape为（num_embeddings, embedding_dim），表示生成num_embeddings个具有embedding_dim大小的嵌入向量；

输入input的形状shape为（batch_size, Seq_len），batch_size表示样本数（NLP句子数），Seq_len表示序列的长度（每个句子单词个数）；

nn.Embedding(input)的输出output具有（batch_size，Seq_len，embedding_dim）的形状大小;

2--实例展示：

① 代码：

import torch
import torch.nn as nn

if __name__ == "__main__":
    input = torch.randint(low = 0, high = 5, size = (2, 9))
    input = torch.LongTensor(input)
    embedding = nn.Embedding(num_embeddings=6, embedding_dim = 3)
    output = embedding(input)
    print("input.shape:", input.shape) # (2, 9) 2个句子，9个单词
    print("embedding.shape:", embedding.weight.shape) # (6, 3) 
    print("output.shape", output.shape) # (2, 9, 3) 2个句子，9个单词，每个单词用一个3维的向量表示

    print("input:", input) 
    print("embedding:", embedding.weight) 
    print("output:", output)


    print("All Done !")

② 分析：

output = embedding(input) 的作用是将每个单词用一个 embedding_dim 大小的向量进行表示，所以对于一个（batch_size，Seq_len）的输入input来说，其输出 output 是一个（batch_size，Seq_len，embedding_dim）大小的 tensor。

在选择 embedding_dim 大小的向量进行表示时，是根据每个单词的数据进行选择；例如在下图中，第一个句子中两个单词的数据表示均为 3（红框表示），则对应的index均为 4，都要选择embedding.weight 中 index 为 4（绿框表示）的嵌入向量进行表示，所以在最终的 output 中两个单词的嵌入向量是相同的（黄框表示）。