文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.nn.Embedding

class mindspore.nn.Embedding(vocab_size, embedding_size, use_one_hot=False, embedding_table='normal', dtype=mstype.float32, padding_idx=None)

嵌入层。

用于存储词向量并使用索引进行检索，根据输入Tensor中的id，从 embedding_table 中查询对应的embedding向量。当输入为id组成的序列时，输出为对应embedding向量构成的矩阵。

Note

当 use_one_hot 等于True时，x的类型必须是mindpore.int32。

参数：

• vocab_size (int) - 词典的大小。

• embedding_size (int) - 每个嵌入向量的大小。

• use_one_hot (bool) - 指定是否使用one-hot形式。默认值：False。

• embedding_table (Union[Tensor, str, Initializer, numbers.Number]) - embedding_table的初始化方法。当指定为字符串，字符串取值请参见类 mindspore.common.initializer 。默认值：’normal’。

• dtype (mindspore.dtype) - x的数据类型。默认值：mindspore.float32。

• padding_idx (int, None) - 将 padding_idx 对应索引所输出的嵌入向量用零填充。默认值：None。该功能已停用。

输入：

• x (Tensor) - Tensor的shape为 $(\text{batch\_size},\text{x\_length})$ ，其元素为整型值，并且元素数目必须小于等于vocab_size，否则相应的嵌入向量将为零。该数据类型可以是int32或int64。

输出：

Tensor的shape $(\text{batch\_size},\text{x\_length},\text{embedding\_size})$ 。

异常：

• TypeError - 如果 vocab_size 或者 embedding_size 不是整型值。

• TypeError - 如果 use_one_hot 不是布尔值。

• ValueError - 如果 padding_idx 是一个不在[0, vocab_size ]范围内的整数。

支持平台：

Ascend GPU CPU

样例：

>>> net = nn.Embedding(20000, 768,  True)
>>> x = Tensor(np.ones([8, 128]), mindspore.int32)
>>> # Maps the input word IDs to word embedding.
>>> output = net(x)
>>> result = output.shape
>>> print(result)
(8, 128, 768)