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)[源代码]
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 (Parameter) - 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。
TypeError - weight 不是
mindspore.Parameter
。
- 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]]]