mindspore.mint.nn.functional.embedding

mindspore.mint.nn.functional.embedding(input, weight, padding_idx=None, max_norm=None, norm_type=2.0, scale_grad_by_freq=False)

以 input 中的值作为索引，从 weight 中查询对应的embedding向量。

警告

在Ascend后端， input 的值非法将导致不可预测的行为。

参数：

• input (Tensor) - 用于检索的索引输入。取值范围： [0, weight.shape[0]) 。

• weight (Union[Parameter, Tensor]) - 用于检索的数据。必须是2D输入。

• padding_idx (int, 可选) - 如果给定非 None 值，则 weight 中对应行在反向计算中不会更新。取值范围：[-weight.shape[0], weight.shape[0])。默认值 None 。

• max_norm (float, 可选) - 如果给定非 None 值，则先求出 input 指定位置的 weight 的p-范数结果reslut（p的值通过 norm_type 指定），然后对 result > max_norm 位置的 weight 进行原地更新， 更新公式：\(\frac{max\_norm}{result+1e^{-7}}\) 。默认值 None 。

• norm_type (float, 可选) - 指定p-范数计算中的p值。默认值 2.0 。

• scale_grad_by_freq (bool, 可选) - 如果值为 True ，则反向梯度值会按照 input 中索引值重复的次数进行缩放。默认值 False 。

返回：

Tensor，数据类型与 weight 保持一致，shape为 \((*input.shape, weight.shape[1])\) 。

异常：

• ValueError - padding_idx 的取值不在有效范围。

• ValueError - weight.shape 非法。

支持平台：

Ascend

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, Parameter, mint
>>> input = Tensor([[1, 0, 1, 1], [0, 0, 1, 0]])
>>> weight = Parameter(np.random.randn(3, 3).astype(np.float32))
>>> output = mint.nn.functional.embedding(input, weight, max_norm=0.4)
>>> print(output)
[[[ 5.49015924e-02,  3.47811311e-01, -1.89771220e-01],
  [ 2.09307984e-01, -2.24846993e-02,  3.40124398e-01],
  [ 5.49015924e-02,  3.47811311e-01, -1.89771220e-01],
  [ 5.49015924e-02,  3.47811311e-01, -1.89771220e-01]],
 [[ 2.09307984e-01, -2.24846993e-02,  3.40124398e-01],
  [ 2.09307984e-01, -2.24846993e-02,  3.40124398e-01],
  [ 5.49015924e-02,  3.47811311e-01, -1.89771220e-01],
  [ 2.09307984e-01, -2.24846993e-02,  3.40124398e-01]]]