深入理解PyTorch中的nn.Embedding的使用
一、前置知識(shí)
1.1 語(yǔ)料庫(kù)（Corpus）
太長(zhǎng)不看版： NLP任務(wù)所依賴的語(yǔ)言數(shù)據(jù)稱為語(yǔ)料庫(kù)。
詳細(xì)介紹版： 語(yǔ)料庫(kù)（Corpus，復(fù)數(shù)是Corpora）是組織成數(shù)據(jù)集的真實(shí)文本或音頻的集合。 此處的真實(shí)是指由該語(yǔ)言的母語(yǔ)者制作的文本或音頻。 語(yǔ)料庫(kù)可以由從報(bào)紙、小說(shuō)、食譜、廣播到電視節(jié)目、電影和推文的所有內(nèi)容組成。 在自然語(yǔ)言處理中，語(yǔ)料庫(kù)包含可用于訓(xùn)練 AI 的文本和語(yǔ)音數(shù)據(jù)。
1.2 詞元（Token）
為簡(jiǎn)便起見，假設(shè)我們的語(yǔ)料庫(kù)只有三個(gè)英文句子并且均已經(jīng)過(guò)處理（全部小寫+去掉標(biāo)點(diǎn)符號(hào)）：
corpus = ["he is an old worker", "english is a useful tool", "the cinema is far away"]
我們往往需要將其詞元化（tokenize）以成為一個(gè)序列，這里只需要簡(jiǎn)單的 split 即可：
def tokenize(corpus):
return [sentence.split() for sentence in corpus]
tokens = tokenize(corpus)
print(tokens)
# [['he', 'is', 'an', 'old', 'worker'], ['english', 'is', 'a', 'useful', 'tool'], ['the', 'cinema', 'is', 'far', 'away']]
?? 這里我們是以單詞級(jí)別進(jìn)行詞元化，還可以以字符級(jí)別進(jìn)行詞元化。
1.3 詞表（Vocabulary）
詞表不重復(fù)地包含了語(yǔ)料庫(kù)中的所有詞元，其實(shí)現(xiàn)方式十分容易：
vocab = set(sum(tokens, []))
print(vocab)
# {'is', 'useful', 'an', 'old', 'far', 'the', 'away', 'a', 'he', 'tool', 'cinema', 'english', 'worker'}
詞表在NLP任務(wù)中往往并不是最重要的，我們需要為詞表中的每一個(gè)單詞分配唯一的索引并構(gòu)建單詞到索引的映射：word2idx。這里我們按照單詞出現(xiàn)的頻率來(lái)構(gòu)建 word2idx。
from collections import Counter
word2idx = {
word: idx
for idx, (word, freq) in enumerate(
sorted(Counter(sum(tokens, [])).items(), key=lambda x: x[1], reverse=True))
}
print(word2idx)
# {'is': 0, 'he': 1, 'an': 2, 'old': 3, 'worker': 4, 'english': 5, 'a': 6, 'useful': 7, 'tool': 8, 'the': 9, 'cinema': 10, 'far': 11, 'away': 12}
反過(guò)來(lái)，我們還可以構(gòu)建 idx2word：
idx2word = {idx: word for word, idx in word2idx.items()}
print(idx2word)
# {0: 'is', 1: 'he', 2: 'an', 3: 'old', 4: 'worker', 5: 'english', 6: 'a', 7: 'useful', 8: 'tool', 9: 'the', 10: 'cinema', 11: 'far', 12: 'away'}
對(duì)于 1.2 節(jié)中的 tokens，也可以轉(zhuǎn)化為索引的表示：
encoded_tokens = [[word2idx[token] for token in line] for line in tokens] print(encoded_tokens) # [[1, 0, 2, 3, 4], [5, 0, 6, 7, 8], [9, 10, 0, 11, 12]]
這種表示方式將在后續(xù)講解 nn.Embedding 時(shí)提到。
二、nn.Embedding 基礎(chǔ)
2.1 為什么要 embedding？
RNN無(wú)法直接處理單詞，因此需要通過(guò)某種方法把單詞變成數(shù)字形式的向量才能作為RNN的輸入。這種把單詞映射到向量空間中的一個(gè)向量的做法稱為詞嵌入（word embedding），對(duì)應(yīng)的向量稱為詞向量（word vector）。
2.2 基礎(chǔ)參數(shù)
我們首先講解 nn.Embedding 中的基礎(chǔ)參數(shù)，了解它的基本用法后，再講解它的全部參數(shù)。
基礎(chǔ)參數(shù)如下：
nn.Embedding(num_embeddings, embedding_dim)
其中 num_embeddings 是詞表的大小，即 len(vocab)；embedding_dim 是詞向量的維度。
我們使用第一章節(jié)的例子，此時(shí)詞表大小為 12 12 12，不妨設(shè)嵌入后詞向量的維度是 3 3 3（即將單詞嵌入到三維向量空間中），則 embedding 層應(yīng)該這樣創(chuàng)建：
torch.manual_seed(0) # 為了復(fù)現(xiàn)性 emb = nn.Embedding(12, 3)
embedding 層中只有一個(gè)參數(shù) weight，在創(chuàng)建時(shí)它會(huì)從標(biāo)準(zhǔn)正態(tài)分布中進(jìn)行初始化：
print(emb.weight) # Parameter containing: # tensor([[-1.1258, -1.1524, -0.2506], # [-0.4339, 0.8487, 0.6920], # [-0.3160, -2.1152, 0.3223], # [-1.2633, 0.3500, 0.3081], # [ 0.1198, 1.2377, 1.1168], # [-0.2473, -1.3527, -1.6959], # [ 0.5667, 0.7935, 0.4397], # [ 0.1124, 0.6408, 0.4412], # [-0.2159, -0.7425, 0.5627], # [ 0.2596, 0.5229, 2.3022], # [-1.4689, -1.5867, 1.2032], # [ 0.0845, -1.2001, -0.0048]], requires_grad=True)
這里我們可以把 weight 當(dāng)作 embedding 層的一個(gè)權(quán)重。
接下來(lái)再來(lái)看一下 nn.Embedding 的輸入。直觀來(lái)看，給定一個(gè)已經(jīng)詞元化的句子，將其中的單詞輸入到 embedding 層應(yīng)該得到相應(yīng)的詞向量。事實(shí)上，nn.Embedding 接受的輸入并不是詞元化后的句子，而是它的索引形式，即第一章節(jié)中提到的 encoded_tokens。
nn.Embedding 可以接受任何形狀的張量作為輸入，但因?yàn)閭魅氲氖撬饕詮埩恐械拿總€(gè)數(shù)字都不應(yīng)超過(guò) len(vocab) - 1，否則就會(huì)報(bào)錯(cuò)。接下來(lái)，nn.Embedding 的作用就像一個(gè)查找表（Lookup Table）一樣，通過(guò)這些索引在 weight 中查找并返回相應(yīng)的詞向量。
print(emb.weight) # tensor([[-1.1258, -1.1524, -0.2506], # [-0.4339, 0.8487, 0.6920], # [-0.3160, -2.1152, 0.3223], # [-1.2633, 0.3500, 0.3081], # [ 0.1198, 1.2377, 1.1168], # [-0.2473, -1.3527, -1.6959], # [ 0.5667, 0.7935, 0.4397], # [ 0.1124, 0.6408, 0.4412], # [-0.2159, -0.7425, 0.5627], # [ 0.2596, 0.5229, 2.3022], # [-1.4689, -1.5867, 1.2032], # [ 0.0845, -1.2001, -0.0048]], requires_grad=True) sentence = torch.tensor(encoded_tokens[0]) # 一共有三個(gè)句子，這里只使用第一個(gè)句子 print(sentence) # tensor([1, 0, 2, 3, 4]) print(emb(sentence)) # tensor([[-0.4339, 0.8487, 0.6920], # [-1.1258, -1.1524, -0.2506], # [-0.3160, -2.1152, 0.3223], # [-1.2633, 0.3500, 0.3081], # [ 0.1198, 1.2377, 1.1168]], grad_fn=<EmbeddingBackward0>) print(emb.weight[sentence] == emb(sentence)) # tensor([[True, True, True], # [True, True, True], # [True, True, True], # [True, True, True], # [True, True, True]])
2.3 nn.Embedding 與 nn.Linear 的區(qū)別
細(xì)心的讀者可能已經(jīng)看出 nn.Embedding 和 nn.Linear 似乎很像，那它們到底有什么區(qū)別呢？
回顧 nn.Linear，若不開啟 bias，設(shè)輸入向量為 x，nn.Linear.weight 對(duì)應(yīng)的矩陣為 A（形狀為 hidden_size × input_size），則計(jì)算方式為：
y=xAT
其中 x , y 均為行向量。
假如 x 是one-hot向量，第 i 個(gè)位置是 1 1 1，那么 y 就是 A T 的第 i i 行。
現(xiàn)給定一個(gè)單詞 w ，假設(shè)它在 word2idx 中的索引就是 i ，在 nn.Embedding 中，我們根據(jù)這個(gè)索引 i 去查找 emb.weight 的第 i 行。而在 nn.Linear 中，我們則是將這個(gè)索引 i 編碼成一個(gè)one-hot向量，再去乘上對(duì)應(yīng)的權(quán)重矩陣得到矩陣的第 i 行。
請(qǐng)看下例：
torch.manual_seed(0) vocab_size = 4 # 詞表大小為4 embedding_dim = 3 # 詞向量維度為3 weight = torch.randn(4, 3) # 隨機(jī)初始化權(quán)重矩陣 # 保持線性層和嵌入層具有相同的權(quán)重 linear_layer = nn.Linear(4, 3, bias=False) linear_layer.weight.data = weight.T # 注意轉(zhuǎn)置 emb_layer = nn.Embedding(4, 3) emb_layer.weight.data = weight idx = torch.tensor(2) # 假設(shè)某個(gè)單詞在word2idx中的索引為2 word = torch.tensor([0, 0, 1, 0]).to(torch.float) # 上述單詞的one-hot表示 print(emb_layer(idx)) # tensor([ 0.4033, 0.8380, -0.7193], grad_fn=<EmbeddingBackward0>) print(linear_layer(word)) # tensor([ 0.4033, 0.8380, -0.7193], grad_fn=<SqueezeBackward3>)
從中我們可以總結(jié)出：
nn.Linear接受向量作為輸入，而nn.Embedding則是接受離散的索引作為輸入；nn.Embedding實(shí)際上就是輸入為one-hot向量，且不帶bias的nn.Linear。
此外，nn.Linear 在運(yùn)算過(guò)程中做了矩陣乘法，而 nn.Embedding 是直接根據(jù)索引查表，因此在該情景下 nn.Embedding 的效率顯然更高。
?? 進(jìn)一步閱讀： [Stack Overflow] What is the difference between an Embedding Layer with a bias immediately afterwards and a Linear Layer in PyTorch?
2.4 nn.Embedding 的更新問(wèn)題
在查閱了PyTorch官方論壇和Stack Overflow的一些帖子后，發(fā)現(xiàn)有不少人對(duì) nn.Embedding 中的權(quán)重 weight 是怎么更新的感到非常困惑。
?? nn.Embedding 的權(quán)重實(shí)際上就是詞嵌入本身
事實(shí)上，nn.Embedding.weight 在更新的過(guò)程中既沒(méi)有采用 Skip-gram 也沒(méi)有采用 CBOW?；仡欁詈?jiǎn)單的多層感知機(jī)，其中的 nn.Linear.weight 會(huì)隨著反向傳播自動(dòng)更新。當(dāng)我們把 nn.Embedding 視為一個(gè)特殊的 nn.Linear 后，其更新機(jī)制就不難理解了，無(wú)非就是按照梯度進(jìn)行更新罷了。
訓(xùn)練結(jié)束后，得到的詞嵌入是最適合當(dāng)前任務(wù)的詞嵌入，而非像word2vec，GloVe這種更為通用的詞嵌入。
當(dāng)然我們也可以在訓(xùn)練開始之前使用預(yù)訓(xùn)練的詞嵌入，例如上述提到的word2vec，但此時(shí)應(yīng)該考慮針對(duì)當(dāng)前任務(wù)重新訓(xùn)練或進(jìn)行微調(diào)。
假如我們已經(jīng)使用了預(yù)訓(xùn)練的詞嵌入并且不想讓它在訓(xùn)練過(guò)程中自我更新，那么可以嘗試凍結(jié)梯度，即：
emb.weight.requires_grad = False
?? 進(jìn)一步閱讀：
[PyTorch Forums] How nn.Embedding trained?
[PyTorch Forums] How does nn.Embedding work?
[Stack Overflow] Embedding in pytorch
[Stack Overflow] What “exactly” happens inside embedding layer in pytorch?
三、nn.Embedding 進(jìn)階
在這一章節(jié)中，我們會(huì)講解 nn.Embedding 的所有參數(shù)并介紹如何使用預(yù)訓(xùn)練的詞嵌入。
3.1 全部參數(shù)
官方文檔：
padding_idx
我們知道，nn.Embedding 雖然可以接受任意形狀的張量作為輸入，但絕大多數(shù)情況下，其輸入的形狀為 batch_size × sequence_length，這要求同一個(gè) batch 中的所有序列的長(zhǎng)度相同。
回顧1.2節(jié)中的例子，語(yǔ)料庫(kù)中的三個(gè)句子的長(zhǎng)度相同（擁有相同的單詞個(gè)數(shù)），但事實(shí)上這是博主特意選取的三個(gè)句子?，F(xiàn)實(shí)任務(wù)中，很難保證同一個(gè) batch 中的所有句子長(zhǎng)度都相同，因此我們需要對(duì)那些長(zhǎng)度較短的句子進(jìn)行填充。因?yàn)檩斎氲?nn.Embedding 中的都是索引，所以我們也需要用索引進(jìn)行填充，那使用哪個(gè)索引最好呢？
假設(shè)語(yǔ)料庫(kù)為：
corpus = ["he is an old worker", "time tries truth", "better late than never"]
print(word2idx)
# {'he': 0, 'is': 1, 'an': 2, 'old': 3, 'worker': 4, 'time': 5, 'tries': 6, 'truth': 7, 'better': 8, 'late': 9, 'than': 10, 'never': 11}
print(encoded_tokens)
# [[0, 1, 2, 3, 4], [5, 6, 7], [8, 9, 10, 11]]
我們可以在 word2idx 中新增一個(gè)詞元 <pad>（代表填充詞元），并為其分配新的索引：
word2idx['<pad>'] = 12
對(duì) encoded_tokens 進(jìn)行填充：
max_length = max([len(seq) for seq in encoded_tokens])
for i in range(len(encoded_tokens)):
encoded_tokens[i] += [word2idx['<pad>']] * (max_length - len(encoded_tokens[i]))
print(encoded_tokens)
# [[0, 1, 2, 3, 4], [5, 6, 7, 12, 12], [8, 9, 10, 11, 12]]
創(chuàng)建 embedding 層并指定 padding_idx：
emb = nn.Embedding(len(word2idx), 3, padding_idx=12) # 假設(shè)詞向量維度是3 print(emb.weight) # tensor([[ 1.5017, -1.1737, 0.1742], # [-0.9511, -0.4172, 1.5996], # [ 0.6306, 1.4186, 1.3872], # [-0.1833, 1.4485, -0.3515], # [ 0.2474, -0.8514, -0.2448], # [ 0.4386, 1.3905, 0.0328], # [-0.1215, 0.5504, 0.1499], # [ 0.5954, -1.0845, 1.9494], # [ 0.0668, 1.1366, -0.3414], # [-0.0260, -0.1091, 0.4937], # [ 0.4947, 1.1701, -0.5660], # [ 1.1717, -0.3970, -1.4958], # [ 0.0000, 0.0000, 0.0000]], requires_grad=True)
可以看出填充詞元對(duì)應(yīng)的詞向量是零向量，并且在訓(xùn)練過(guò)程中填充詞元對(duì)應(yīng)的詞向量不會(huì)進(jìn)行更新（始終是零向量）。
padding_idx 默認(rèn)為 None，即不進(jìn)行填充。
max_norm
如果詞向量的范數(shù)超過(guò)了 max_norm，則將其按范數(shù)歸一化至 max_norm：
max_norm 默認(rèn)為 None，即不進(jìn)行歸一化。
norm_type
當(dāng)指定了 max_norm 時(shí)，norm_type 決定采用何種范數(shù)去計(jì)算。默認(rèn)是2-范數(shù)。
scale_grad_by_freq
若將該參數(shù)設(shè)置為 True，則對(duì)詞向量 w w w 進(jìn)行更新時(shí)，會(huì)根據(jù)它在一個(gè) batch 中出現(xiàn)的頻率對(duì)相應(yīng)的梯度進(jìn)行縮放：
默認(rèn)為 False。
sparse
若設(shè)置為 True，則與 Embedding.weight 相關(guān)的梯度將變?yōu)橄∈鑿埩?，此時(shí)優(yōu)化器只能選擇：SGD、SparseAdam 和 Adagrad。默認(rèn)為 False。
3.2 使用預(yù)訓(xùn)練的詞嵌入
有些情況下我們需要使用預(yù)訓(xùn)練的詞嵌入，這時(shí)候可以使用 from_pretrained 方法，如下：
torch.manual_seed(0) pretrained_embeddings = torch.randn(4, 3) print(pretrained_embeddings) # tensor([[ 1.5410, -0.2934, -2.1788], # [ 0.5684, -1.0845, -1.3986], # [ 0.4033, 0.8380, -0.7193], # [-0.4033, -0.5966, 0.1820]]) emb = nn.Embedding(4, 3).from_pretrained(pretrained_embeddings) print(emb.weight) # tensor([[ 1.5410, -0.2934, -2.1788], # [ 0.5684, -1.0845, -1.3986], # [ 0.4033, 0.8380, -0.7193], # [-0.4033, -0.5966, 0.1820]])
如果要避免預(yù)訓(xùn)練的詞嵌入在后續(xù)的訓(xùn)練過(guò)程中更新，可將 freeze 參數(shù)設(shè)置為 True：
emb = nn.Embedding(4, 3).from_pretrained(pretrained_embeddings, freeze=True)
四、最后
到此這篇關(guān)于深入理解PyTorch中的nn.Embedding的使用的文章就介紹到這了,更多相關(guān)PyTorch nn.Embedding內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
Python使用xlrd模塊實(shí)現(xiàn)操作Excel讀寫的方法匯總
本文介紹Python中使用xlrd、xlwt、xlutils模塊操作Excel文件的方法,xlrd用于讀取Excel文件,但2.0.0版本后不支持.xlsx格式,xlwt用于創(chuàng)建和寫入Excel文件,而xlutils主要用于復(fù)制和處理Excel文件,詳細(xì)介紹了如何打開文件、獲取工作表信息、操作行列數(shù)據(jù)和處理日期格式數(shù)據(jù)2024-10-10
解決python執(zhí)行較大excel文件openpyxl慢問(wèn)題
這篇文章主要介紹了解決python執(zhí)行較大excel文件openpyxl慢問(wèn)題，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-05-05
這篇文章主要介紹了Dataframe的行名及列名排序問(wèn)題,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2023-09-09
Python NumPy實(shí)現(xiàn)數(shù)組排序與過(guò)濾示例分析講解
NumPy是Python的一種開源的數(shù)值計(jì)算擴(kuò)展，它支持大量的維度數(shù)組與矩陣運(yùn)算，這篇文章主要介紹了使用NumPy實(shí)現(xiàn)數(shù)組排序與過(guò)濾的方法，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)吧2023-05-05
今天小編就為大家分享一篇pytorch 加載(.pth)格式的模型實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2019-08-08
python實(shí)現(xiàn)跨進(jìn)程(跨py文件)通信示例
本文主要介紹了python實(shí)現(xiàn)跨進(jìn)程(跨py文件)通信示例，文中通過(guò)示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2022-03-03
這篇文章主要介紹了Python實(shí)現(xiàn)句子翻譯功能，涉及urllib庫(kù)的使用等相關(guān)內(nèi)容，具有一定參考價(jià)值，需要的朋友可以了解下。2017-11-11
用60行代碼實(shí)現(xiàn)Python自動(dòng)搶微信紅包
這篇文章主要介紹了用60行代碼實(shí)現(xiàn)Python自動(dòng)搶微信紅包，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2021-02-02
這篇文章主要為大家介紹了python字符串函數(shù)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下，希望能夠給你帶來(lái)幫助2021-12-12
使用python模塊plotdigitizer摳取論文圖片中的數(shù)據(jù)實(shí)例詳解
這篇文章主要介紹了使用python模塊plotdigitizer摳取論文圖片中的數(shù)據(jù)，本文通過(guò)實(shí)例代碼給大家介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2021-03-03