Python mxnet.ndarray.contrib.SparseEmbedding用法及代碼示例

用法:
mxnet.ndarray.contrib.SparseEmbedding(data=None, weight=None, input_dim=_Null, output_dim=_Null, dtype=_Null, sparse_grad=_Null, out=None, name=None, **kwargs)

參數：

data：(NDArray) - 嵌入運算符的輸入數組。
weight：(NDArray) - 嵌入權重矩陣。
input_dim：(int, required) - 輸入索引的詞匯量。
output_dim：(int, required) - 嵌入向量的維度。
dtype：({'bfloat16', 'float16', 'float32', 'float64', 'int32', 'int64', 'int8', 'uint8'},optional, default='float32') - 重量的數據類型。
sparse_grad：(boolean, optional, default=0) - 在反向計算中計算行稀疏梯度。如果設置為 True，則 grad 的存儲類型為row_sparse。
out：(NDArray, optional) - 輸出 NDArray 來保存結果。

out：- 此函數的輸出。

返回類型：

NDArray 或 NDArray 列表

將整數索引映射到向量表示(嵌入)。

注意::contrib.SparseEmbedding 已棄用，請改用 Embedding。

該運算符將單詞映射到高維空間中的實值向量，稱為單詞嵌入。這些嵌入可以捕獲單詞的語義和句法屬性。例如，已經注意到在學習的嵌入空間中，相似的詞往往彼此靠近，而不同的詞則相距甚遠。

對於形狀為 (d1, ..., dK) 的輸入數組，輸出數組的形狀為 (d1, ..., dK, output_dim)。所有輸入值應為 [0, input_dim) 範圍內的整數。

如果input_dim為ip0，output_dim為op0，則嵌入權重矩陣的形狀必須為(ip0, op0)。

漸變的存儲類型將是 row_sparse 。

注意：

SparseEmbedding 專為 input_dim 非常大(例如 100k)的用例而設計。該運算符可在 CPU 和 GPU 上使用。當 deterministic 設置為 True 時，如果特征在輸入中出現多次，則梯度的累積遵循確定性順序。但是，在 GPU 上執行命令時，累積通常較慢。在 GPU 上使用算子時，deterministic 的推薦值為 True 。

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.
SparseEmbedding(x, y, 4, 5) = [[[  5.,   6.,   7.,   8.,   9.],
                               [ 15.,  16.,  17.,  18.,  19.]],

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

相關用法

注：本文由純淨天空篩選整理自apache.org大神的英文原創作品 mxnet.ndarray.contrib.SparseEmbedding。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：

返回類型：

注意：