深度學習之PyTorch中torch.nn.embedding詳解

一、什麼是torch.nn.embedding

torch.nn.embedding是PyTorch的一個模塊，是神經網絡中一個重要的embedding層，廣泛應用於自然語言處理（NLP）中。對於一段文本，可以將每個單詞用一個向量表示，向量的長度由用戶指定，這些向量組成的矩陣就稱為「embedding矩陣」。通過embedding層的轉換，可以將原始信息變成計算機可用的向量，並幫助神經網絡結構自動學習語義信息。

關於embedding的實現方式，比較常見的有One-Hot編碼、預訓練向量和自適應embedding。One-Hot編碼是將每個單詞表示為一個稀疏的高維向量，向量的維度為單詞表的大小。預訓練向量是將每個單詞表示為一個維度固定的稠密向量，這些向量可以通過線性變換等方式預先訓練獲得。自適應embedding則是通過神經網絡在訓練過程中動態學習單詞的嵌入向量。

import torch.nn as nn
import torch

# 定義一個embedding矩陣
emb = nn.Embedding(num_embeddings=100, embedding_dim=10)

# 隨機生成一個長度為5的序列
input_seq = torch.randint(low=0, high=100, size=(1, 5))

# 將序列映射為embedding表示
emb_seq = emb(input_seq)

print(emb_seq)

這段代碼定義了一個embedding矩陣，將矩陣的大小設置為(100, 10)，表示有100個單詞，每個單詞用10維的向量表示。接着，使用torch.randint隨機生成一個長度為5的序列，並將其映射為對應的embedding向量。最終，輸出了一個大小為(1, 5, 10)的矩陣。

二、torch.nn.embedding的使用方法

1、num_embeddings和embedding_dim

torch.nn.embedding的參數中，num_embeddings表示詞表的大小，即最大單詞數。embedding_dim表示每個單詞使用的嵌入維度大小。一般而言，embedding_dim的大小與模型的複雜度和單詞量成正比。num_embeddings和embedding_dim的設置對訓練效果有很大的影響，需要根據實際情況進行調節。

import torch.nn as nn
import torch

# 定義一個embedding矩陣
emb = nn.Embedding(num_embeddings=100, embedding_dim=10)

print(emb.weight.shape)

這段代碼定義了一個embedding矩陣，將矩陣的大小設置為(100, 10)，表示有100個單詞，每個單詞用10維的向量表示。接着，使用emb.weight.shape輸出了矩陣的大小。

2、padding_idx

在自然語言處理中，一般會將不同長度的文本轉換為固定長度的向量。然而，如果直接在不同長度之間加入0來實現padding，則可能導致模型計算時出錯。padding_idx這個參數則是用來解決此問題的，它指定了padding的單詞在embedding矩陣中的下標。這樣，在實際計算時就可以跳過這個下標對應的單詞。

import torch.nn as nn
import torch

# 定義一個embedding矩陣
emb = nn.Embedding(num_embeddings=100, embedding_dim=10, padding_idx=0)

# 定義一個長度為4的序列，其中包含0
input_seq = torch.tensor([0, 1, 2, 0])

# 將序列映射為embedding表示
emb_seq = emb(input_seq)

print(emb_seq)

這段代碼定義了一個embedding矩陣，將矩陣的大小設置為(100, 10)，padding_idx為0。接着，定義一個長度為4的序列，其中包含0，並將其映射為對應的embedding向量。最終，輸出了一個大小為(4, 10)的矩陣。

3、max_norm和norm_type

在訓練中，我們可以使用max_norm和norm_type這兩個參數控制嵌入向量的大小。max_norm指定了最大的範數大小，norm_type指定使用哪種範數計算向量大小。通過限制嵌入向量的大小，可以避免過度參數化，進而克服過擬合問題。

import torch.nn as nn
import torch

# 定義一個embedding矩陣，指定max_norm和norm_type
emb = nn.Embedding(num_embeddings=100, embedding_dim=10, max_norm=1.0, norm_type=2.0)

# 隨機生成一個長度為5的序列
input_seq = torch.randint(low=0, high=100, size=(1, 5))

# 將序列映射為embedding表示
emb_seq = emb(input_seq)

print(emb_seq)

這段代碼定義了一個embedding矩陣，將矩陣的大小設置為(100, 10)，max_norm為1，norm_type為2。接着，使用torch.randint隨機生成一個長度為5的序列，並將其映射為對應的embedding向量。最終，輸出了一個大小為(1, 5, 10)的矩陣。

三、torch.nn.embedding的應用場景

1、文本分類

在文本分類任務中，需要將每個單詞轉換為一個向量，並將整個文本表示為一個向量。可以使用torch.nn.embedding將每個單詞映射為一個指定維度的向量，並將這些向量按照順序連接成一個新的向量作為整個文本的表示。

import torch.nn as nn
import torch

# 定義一個embedding矩陣
emb = nn.Embedding(num_embeddings=100, embedding_dim=10)

# 定義一個長度為5的序列
input_seq = torch.tensor([1, 2, 3, 4, 5])

# 將序列映射為embedding表示
emb_seq = emb(input_seq)

# 對embedding結果進行池化操作
pooled_seq = torch.mean(emb_seq, dim=0)

# 獲取整個文本的表示向量
text_repr = pooled_seq.unsqueeze(0)

print(text_repr)

這段代碼定義了一個embedding矩陣，將矩陣的大小設置為(100, 10)。接着，定義一個長度為5的序列，並將其映射為對應的embedding向量。接着，使用torch.mean對embedding結果進行池化操作，並通過unsqueeze(0)將結果轉換為一個大小為(1, 10)的矩陣，作為整個文本的表示向量。

2、語言模型

在語言模型任務中，需要根據先前的單詞預測下一個單詞。可以使用torch.nn.embedding將每個單詞映射為一個指定維度的向量，並訓練一個RNN等模型，將先前的單詞作為輸入，預測下一個單詞。

import torch.nn as nn
import torch

# 定義一個embedding矩陣
emb = nn.Embedding(num_embeddings=100, embedding_dim=10)

# 定義一段文本
input_seq = torch.tensor([1, 2, 3, 4, 5])

# 將整個文本映射為embedding表示
emb_seq = emb(input_seq)

# 定義一個RNN模型
rnn = nn.RNN(input_size=10, hidden_size=20, batch_first=True)

# 將embedding結果作為模型的輸入
output, hidden = rnn(emb_seq.unsqueeze(0))

print(output)

這段代碼定義了一個embedding矩陣，將矩陣的大小設置為(100, 10)。接着，定義一段文本，並將其映射為對應的embedding向量。接着，定義一個RNN模型，將embedding結果作為模型的輸入，得到模型的輸出。

3、詞嵌入可視化

使用torch.nn.embedding，可以將一個單詞表示為一個固定維度的向量。該向量包含了單詞的詞義信息。我們可以使用PCA等降維方法，將這些向量可視化在二維或三維空間中，從而直觀地了解單詞在語義上的相似性。

import torch.nn as nn
import torch
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA

# 定義一個embedding矩陣
emb = nn.Embedding(num_embeddings=100, embedding_dim=10)

# 得到嵌入向量集合
embeddings = emb.weight.detach().numpy()

# 使用PCA進行降維
pca = PCA(n_components=2)
pca_embeddings = pca.fit_transform(embeddings)

# 繪製散點圖
words = ['word_%d'%i for i in range(100)]
x = pca_embeddings[:,0]
y = pca_embeddings[:,1]
plt.scatter(x, y)

for i, word in enumerate(words):
    plt.annotate(word, (x[i], y[i]))

plt.show()

這段代碼定義了一個embedding矩陣，將矩陣的大小設置為(100, 10)。接着，使用PCA對矩陣降維。最後，通過matplotlib的scatter函數繪製散點圖，並在每個點上添加對應的點名。