Python PyTorch FactorizationMachine.forward用法及代码示例

本文简要介绍python语言中 torchrec.modules.deepfm.FactorizationMachine.forward 的用法。

用法:

forward(embeddings: List[torch.Tensor]) → torch.Tensor

参数：

embeddings-

List[torch.Tensor]：所有嵌入的列表(例如，dense、common_sparse、specialized_sparse、embedding_features、raw_embedding_features)，形状为：

(batch_size, num_embeddings, embedding_dim)

为了便于操作，具有相同嵌入维度的嵌入可以选择堆叠成单个张量。例如，当我们有 1 个维度 = 32 的训练嵌入、5 个维度 = 64 的原生嵌入和 3 个维度 = 16 的密集特征时，我们可以将嵌入列表准备为以下列表：

tensor(B, 1, 32) (trained_embedding with num_embeddings=1, embedding_dim=32)
tensor(B, 5, 64) (native_embedding with num_embeddings=5, embedding_dim=64)
tensor(B, 3, 16) (dense_features with num_embeddings=3, embedding_dim=32)

注意

所有输入张量的batch_size 必须相同。

返回：

fm 的输出，以扁平化和连接的embeddings 作为输入。预计为 [B, 1]。

返回类型：

torch.Tensor