pytorch中的可学习查找表实现之nn.Embedding

假设我们需要一个查找表（Lookup Table），我们可以根据索引数字快速定位查找表中某个具体位置并读取出来。最简单的方法，可以通过一个二维数组或者二维list来实现。但如果我希望查找表的值可以通过梯度反向传播来修改，那么就需要用到nn.Embedding来实现了。

其实，我们需要用反向传播来修正表值的场景还是很多的，比如我们想存储数据的通用特征时，这个通用特征就可以用nn.Embedding来表示，常见于现在的各种codebook的trick。闲话不多说，我们来看栗子：

python 复制代码

import torch
from torch import nn

table = nn.Embedding(10, 3)
print(table.weight)
idx = torch.LongTensor([[1]])
b = table(idx)
print(b)

'''
output
Parameter containing:
tensor([[-0.2317, -0.9679, -1.9324],
        [ 0.2473,  1.1043, -0.7218],
        [ 0.5425, -0.3109, -0.1330],
        [-1.4006, -0.0675,  0.1376],
        [-0.1995,  0.7168,  0.5692],
        [-1.3572, -0.6407, -0.0128],
        [-0.0773,  1.1928, -1.0836],
        [ 0.1721, -0.9232, -0.4059],
        [ 1.6108, -0.4640,  0.3535],
        [ 0.6975,  1.6554, -0.2217]], requires_grad=True)
tensor([[[ 0.2473,  1.1043, -0.7218]]], grad_fn=<EmbeddingBackward0>)
'''

这段代码实际上就实现了一个查找表的功能，索引值为[[1]]（注意有两个中括弧），返回值为对应的表值。我们还可以批量查找表值：

python 复制代码

import torch
from torch import nn

table = nn.Embedding(10, 3)
print(table)
print(table.weight)

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

out = table(indices)
print(out)
print(out.shape)

通过输入索引张量来获取表值：[2,4] -> [2,4,3]，请注意这个shape变化，即对应位置的索引获得对应位置的表值。

参考：https://pytorch.org/docs/stable/generated/torch.nn.Embedding.html

本人亲自整理，有问题可留言交流～