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：

import torch
from torch import nntable = 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：

import torch
from torch import nntable = 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)