mindspore.mint.nn.Embedding

class mindspore.mint.nn.Embedding(num_embeddings, embedding_dim, padding_idx=None, max_norm=None, norm_type=2.0, scale_grad_by_freq=False, sparse=False, _weight=None, _freeze=False, dtype=None)[源代码]

以 input 中的值作为索引，从 weight 中查询对应的embedding向量。

警告

这是一个实验性API，后续可能修改或删除。
在Ascend后端， input 的值非法将导致不可预测的行为。

参数：

num_embeddings (int) - embedding词典的大小。
embedding_dim (int) - 每个embedding向量的长度。
padding_idx (int, 可选) - 若指定该参数，则该索引处的embedding向量不会在训练中更新。对于新建的Embedding层，该索引处的embedding向量默认为全零值。取值范围： [-num_embeddings, num_embeddings) 。默认 None 。
max_norm (float, 可选) - 若指定该参数，则范数超过指定值的每个embedding向量将被重新归一化，使其范数等于指定值，更新公式：\(\frac{max\_norm}{result+1e^{-7}}\) 。默认 None 。
norm_type (float, 可选) - 指定p-范数计算中的p值。默认 2.0 。
scale_grad_by_freq (bool, 可选) - 如果值为 True ，则反向梯度会按照 input 中索引值重复的次数进行缩放。默认 False 。
sparse (bool, 可选) - 如果值为 True ，则 weight 为稀疏Tensor，该场景暂未支持。默认 False 。
_weight (Tensor, 可选) - 用于初始化Embedding的权重。如果为 None，则权重从 \({N}(\text{sigma=1.0}, \text{mean=0.0})\) 初始化。默认 None 。
_freeze (bool, 可选) - 是否冻结该模型的可学习权重 weight 。默认 False 。
dtype (mindspore.dtype, 可选) - 指定Embedding权重 weight 的类型。当 _weight 不是 None 时该参数无效。默认 None 。

可变参数：

weight (Parameter) - 模型的可学习参数，shape为 (num_embeddings, embedding_dim)，从 \({N}(\text{sigma=1.0}, \text{mean=0.0})\) 或 _weight 初始化。

输入：

input (Tensor) - 索引tensor，取值范围： [0, num_embeddings) 。

输出：

Tensor。

支持平台：

Ascend

样例：

>>> import mindspore
>>> mindspore.set_seed(0)
>>> input = mindspore.tensor([[1, 0, 1, 1], [0, 0, 1, 0]])
>>> embedding = mindspore.mint.nn.Embedding(num_embeddings=10, embedding_dim=3)
>>> output = embedding(input)
>>> print(output)
[[[ 0.6712398   0.5407775   1.0317237]
  [-0.49091062 -0.42302188 -1.4807187]
  [ 0.6712398   0.5407775   1.0317237]
  [ 0.6712398   0.5407775   1.0317237]]
 [[-0.49091062 -0.42302188 -1.4807187]
  [-0.49091062 -0.42302188 -1.4807187]
  [ 0.6712398   0.5407775   1.0317237]
  [-0.49091062 -0.42302188 -1.4807187]]]