1. 本质

$\mathrm{Pytorch}$ 的 $\mathrm{Embedding}$ 模块是一个简单的查找表，用于存储固定字典和大小的嵌入。$nn.Embedding$ 层本质上是一个权重矩阵，其中每一行代表词汇表中每个单词的向量表示。这个权重矩阵的大小是 $[num\_embeddings,embedding\_dim]$，其中 $num\_embeddings$ 是词汇表的大小， $embedding\_dim$ 是嵌入向量的维度。

2. 用Embedding产生一个10 x 5 的随机词典

先用 $\mathrm{Embedding}$ 产生一个维度为 $10\times 5$ 的词典，$10$ 代表有十个词向量，$5$ 代表有每个词向量有 $5$​ 个元素。

import torch
import torch.nn as nnembed = nn.Embedding(num_embeddings=10, embedding_dim=5)
embedding_matrix = embed.weight.dataprint(f"nn Embedding 产生的词典是：\n {embedding_matrix.data}")
# nn Embedding 产生的词典是：
#  tensor([[ 0.9631, -1.4984,  1.0561,  0.4334,  1.3060],
#         [ 0.1714,  0.1842,  0.0532,  0.4573, -0.7236],
#         [ 0.4692,  1.2857,  0.5260, -1.0966, -1.6009],
#         [-0.7893, -0.2117,  0.0158,  1.1008,  0.9786],
#         [ 0.9095, -0.4467, -0.6501,  0.6469, -0.3829],
#         [-0.1534, -0.0128,  1.2285, -1.4347,  0.1968],
#         [-2.0171,  1.0805, -0.7189,  0.6184,  0.6858],
#         [-0.1328, -1.2482, -0.2517, -0.4750,  0.3215],
#         [-0.7670, -0.0462, -0.4849, -0.6647, -0.6340],
#         [ 0.7415, -2.2321,  1.3444,  0.3786, -0.2909]])

上述词典如下图所示，

3. 用这个词典编码两个简单单词

现在，我们将两个单词 $\mathrm{python},\mathrm{pytorch}$ 用上面的词典编码成两个词向量。

1. 建立这两个单词的列表，并获取各自的 $\mathrm{index}$；

   # 示例：将两个单词“python”、“pytorch”根据上面的词典编码为对应的词向量
   words_to_embed = ['python', 'pytorch']# 获取每个单词的index,很明显，'python'的index是0， 'pytorch'的index是1。
   word_index = torch.LongTensor([0, 1])
   

2. 将这两个 $\mathrm{index}$ 传入词典，就可以获取对应的词向量；

   # 示例：将两个单词“python”、“pytorch”根据上面的词典编码为对应的词向量
   words_to_embed = ['python', 'pytorch']# 获取每个单词的index,很明显，'python'的index是0， 'pytorch'的index是1。
   word_index = torch.LongTensor([0, 1])# 将这两个index传入词典，就可以获取对应的词向量
   embedded_words = embed(word_index)
   print(f"编码后的词向量为：\n{embedded_words.data.numpy()}")
   # 编码后的词向量为：
   # [[ 0.96313465 -1.4984448   1.0561345   0.43344542  1.3059521 ]
   #  [ 0.17135063  0.18418191  0.05320966  0.45726374 -0.72364354]]
   

3. $\mathrm{python}$ 这个单词的 $\mathrm{index}$ 是0，对应的就是词典的第一行，$\mathrm{pytorch}$ 这个单词 $\mathrm{index}$ 是1，对应的就是词典的第二行。

   print(f"python 这个词对应的词向量为： \n{embedded_words.data.numpy()[0,:]}")
   # python 这个词对应的词向量为：
   # [ 0.96313465 -1.4984448   1.0561345   0.43344542  1.3059521 ]print(f"pytorch 这个词对应的词向量为： \n{embedded_words.data.numpy()[1,:]}")
   # pytorch 这个词对应的词向量为：
   # [ 0.17135063  0.18418191  0.05320966  0.45726374 -0.72364354]
   

4. Embedding的词典是可以学习的

• $\mathrm{Embedding}$ 产生的权重矩阵是可以学习的，意味着在模型的训练过程中，通过反向传播算法，嵌入向量会根据损失函数不断更新，以更好地表示数据中的语义关系。
• 在很多情况下，尤其是当训练数据较少时，使用预训练的嵌入向量（如 $Word2Vec$）可以显著提高模型的性能。这些预训练向量通常是在非常大的文本语料库上训练得到的，能够捕捉到丰富的语义信息。在 $\mathrm{Pytorch}$ 中，你可以通过初始化 $nn.Embedding$ 层的权重为这些预训练向量来使用它们。即使使用预训练向量，你也可以选择在训练过程中进一步微调（更新）这些向量，或者保持它们不变。

5. 例子完整代码

import torch
import torch.nn as nn
import numpy as npembed = nn.Embedding(num_embeddings=10, embedding_dim=5)
embedding_matrix = embed.weight.data
print(f"nn Embedding 产生的词典是：\n {embedding_matrix.data}")
# nn Embedding 产生的词典是：
#  tensor([[ 0.9631, -1.4984,  1.0561,  0.4334,  1.3060],
#         [ 0.1714,  0.1842,  0.0532,  0.4573, -0.7236],
#         [ 0.4692,  1.2857,  0.5260, -1.0966, -1.6009],
#         [-0.7893, -0.2117,  0.0158,  1.1008,  0.9786],
#         [ 0.9095, -0.4467, -0.6501,  0.6469, -0.3829],
#         [-0.1534, -0.0128,  1.2285, -1.4347,  0.1968],
#         [-2.0171,  1.0805, -0.7189,  0.6184,  0.6858],
#         [-0.1328, -1.2482, -0.2517, -0.4750,  0.3215],
#         [-0.7670, -0.0462, -0.4849, -0.6647, -0.6340],
#         [ 0.7415, -2.2321,  1.3444,  0.3786, -0.2909]])# 示例：将两个单词“python”、“pytorch”根据上面的词典编码为对应的词向量
words_to_embed = ['python', 'pytorch']
# 获取每个单词的index,很明显，'python'的index是0， 'pytorch'的index是1。
word_index = torch.LongTensor([0, 1])
# 将这两个index传入词典，就可以获取对应的词向量
embedded_words = embed(word_index)
print(f"编码后的词向量为：\n{embedded_words.data.numpy()}")
# 编码后的词向量为：
# [[ 0.96313465 -1.4984448   1.0561345   0.43344542  1.3059521 ]
#  [ 0.17135063  0.18418191  0.05320966  0.45726374 -0.72364354]]
print(f"python 这个词对应的词向量为： \n{embedded_words.data.numpy()[0,:]}")
# python 这个词对应的词向量为：
# [ 0.96313465 -1.4984448   1.0561345   0.43344542  1.3059521 ]
print(f"pytorch 这个词对应的词向量为： \n{embedded_words.data.numpy()[1,:]}")
# pytorch 这个词对应的词向量为：
# [ 0.17135063  0.18418191  0.05320966  0.45726374 -0.72364354]