nn.Embedding 的理解

Embedding是将输入向量化，参数包括：

nn.Embedding(vocab_size, emb_size)

vocab_size：词典大小（不是每个batch size的长度，而是数据集词库的大小）

emb_size：每个词需要嵌入多少维来表示（也就是输入维度）

构造一个(假装)vocab size=10，每个vocab用3-d向量表示的table

>>> embedding = nn.Embedding(10, 3)
>>> embedding.weight
Parameter containing:
tensor([[ 1.2402, -1.0914, -0.5382],
[-1.1031, -1.2430, -0.2571],
[ 1.6682, -0.8926, 1.4263],
[ 0.8971, 1.4592, 0.6712],
[-1.1625, -0.1598, 0.4034],
[-0.2902, -0.0323, -2.2259],
[ 0.8332, -0.2452, -1.1508],
[ 0.3786, 1.7752, -0.0591],
[-1.8527, -2.5141, -0.4990],
[-0.6188, 0.5902, -0.0860]], requires_grad=True)

根据定义的table对输入两个句子每个句子由四个词进行嵌入：

input = torch.LongTensor([[1,2,4,5],[4,3,2,9]])

>>> a = embedding(input)
>>> a
tensor([[[-1.1031, -1.2430, -0.2571],
[ 1.6682, -0.8926, 1.4263],
[-1.1625, -0.1598, 0.4034],
[-0.2902, -0.0323, -2.2259]],
[[-1.1625, -0.1598, 0.4034],
[ 0.8971, 1.4592, 0.6712],
[ 1.6682, -0.8926, 1.4263],
[-0.6188, 0.5902, -0.0860]]], grad_fn=<EmbeddingBackward>)

可以观察到每一行是一个词的向量表示，且输入input是indices，即词对应的标签（比如：“我”--“1”，“音”--“2”，“识”--“3”，别--“4”）

在通过nn.Embedding 初始化他的权重时已经为每一个输入标签构建好了对应的词向量，比如a = embedding(input)中的第一行对应的标签是“1”，所以在生成的embedding.weight取出下标为1的向量表示该标签。