Python mxnet.symbol.sparse.Embedding用法及代码示例

用法:
mxnet.symbol.sparse.Embedding(data=None, weight=None, input_dim=_Null, output_dim=_Null, dtype=_Null, sparse_grad=_Null, name=None, attr=None, out=None, **kwargs)

参数：

data：(Symbol) - 嵌入运算符的输入数组。
weight：(Symbol) - 嵌入权重矩阵。
input_dim：(int, required) - 输入索引的词汇量。
output_dim：(int, required) - 嵌入向量的维度。
dtype：({'bfloat16', 'float16', 'float32', 'float64', 'int32', 'int64', 'int8', 'uint8'},optional, default='float32') - 重量的数据类型。
sparse_grad：(boolean, optional, default=0) - 在反向计算中计算行稀疏梯度。如果设置为 True，则 grad 的存储类型为row_sparse。
name：(string, optional.) - 结果符号的名称。

结果符号。

返回类型：

Symbol

将整数索引映射到向量表示(嵌入)。

该运算符将单词映射到高维空间中的实值向量，称为单词嵌入。这些嵌入可以捕获单词的语义和句法属性。例如，已经注意到在学习的嵌入空间中，相似的词往往彼此靠近，而不同的词则相距甚远。

对于形状为 (d1, ..., dK) 的输入数组，输出数组的形状为 (d1, ..., dK, output_dim)。所有输入值应为 [0, input_dim) 范围内的整数。

如果input_dim为ip0，output_dim为op0，则嵌入权重矩阵的形状必须为(ip0, op0)。

当“sparse_grad” 为 False 时，如果提及的任何索引太大，则将其替换为嵌入矩阵中最后一个向量的索引。当“sparse_grad” 为 True 时，如果发现无效索引将引发错误。

例子：

input_dim = 4
output_dim = 5

// Each row in weight matrix y represents a word. So, y = (w0,w1,w2,w3)
y = [[  0.,   1.,   2.,   3.,   4.],
     [  5.,   6.,   7.,   8.,   9.],
     [ 10.,  11.,  12.,  13.,  14.],
     [ 15.,  16.,  17.,  18.,  19.]]

// Input array x represents n-grams(2-gram). So, x = [(w1,w3), (w0,w2)]
x = [[ 1.,  3.],
     [ 0.,  2.]]

// Mapped input x to its vector representation y.
Embedding(x, y, 4, 5) = [[[  5.,   6.,   7.,   8.,   9.],
                          [ 15.,  16.,  17.,  18.,  19.]],

                         [[  0.,   1.,   2.,   3.,   4.],
                          [ 10.,  11.,  12.,  13.,  14.]]]

权重的存储类型可以是row_sparse 或默认值。

注意：

如果“sparse_grad”设置为True，梯度w.r.t权重的存储类型将是“row_sparse”。只有一部分优化器支持稀疏梯度，包括 SGD、AdaGrad 和 Adam。请注意，默认情况下延迟更新已打开，其执行方式可能与标准更新不同。有关详细信息，请在以下位置查看优化 API：https://mxnet.incubator.apache.org/api/python/optimization/optimization.html

相关用法

注：本文由纯净天空筛选整理自apache.org大神的英文原创作品 mxnet.symbol.sparse.Embedding。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

返回类型：

注意：