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.MultiFieldEmbeddingLookup

class mindspore.nn.MultiFieldEmbeddingLookup(vocab_size, embedding_size, field_size, param_init='normal', target='CPU', slice_mode='batch_slice', feature_num_list=None, max_norm=None, sparse=True, operator='SUM', dtype=mstype.float32)

根据指定的索引和字段ID，返回输入Tensor的切片。此操作支持同时使用multi hot和one hot查找嵌入。

说明

当'target'设置为 'CPU' 时，此模块将使用P.EmbeddingLookup().set_device('CPU')指定'offset = 0'的查找表。

当'target'设置为 'DEVICE' 时，此模块将使用P.Gather()指定'axis = 0'的查找表。

具有相同 field_ids 的向量将由'operator'组合，例如'SUM'、'MAX'和'MEAN'。确保填充ID的 input_values 为零，以便忽略它们。如果字段绝对权重之和为零，最终输出将为零。该类仅支持['table_row_slice', 'batch_slice', 'table_column_slice']。对于Ascend设备上的'MAX'操作，存在 $batch\mathrm{\_}size\ast (seq\mathrm{\_}length+field\mathrm{\_}size)<3500$ 的约束。

参数：

• vocab_size (int) - 嵌入词典的大小。

• embedding_size (int) - 每个嵌入向量的大小。

• field_size (int) - 最终输出的字段大小。

• param_init (Union[Tensor, str, Initializer, numbers.Number]) - 嵌入Tensor的初始化方法。当指定字符串时，请参见 Initializer 类了解字符串的值。默认值： 'normal' 。

• target (str) - 指定执行操作的'target'。该值必须在[ 'DEVICE' , 'CPU' ]中。默认值： 'CPU' 。

• slice_mode (str) - semi_auto_parallel或auto_parallel模式下的切片方式。默认值： 'batch_slice' 。

  • batch_slice (str) - EmbeddingLookup算子会将输入的索引张量按批次(batch)进行划分，然后查找对应的嵌入向量。适用于每个样本都有相同数量索引的情况。

  • field_slice (str) - EmbeddingLookup算子会将输入的索引张量按特征(field)进行划分，然后查找对应的嵌入向量。适用于每个样本索引数量可能不同但是特征维度相同的情况。

  • table_row_slice (str) - EmbeddingLookup算子会将输入的索引张量看作一个二维表，并按行进行划分，然后查找对应的嵌入向量。

  • table_column_slice (str) - EmbeddingLookup算子会将输入的索引张量看作一个二维表，并按列进行划分，然后查找对应的嵌入向量。

• feature_num_list (tuple) - 字段切片模式下的伴随数组（accompaniment array）。目前该参数的功能还未实现。默认值： None 。

• max_norm (Union[float, None]) - 最大剪切值。数据类型必须为float16、float32。默认值： None 。

• sparse (bool) - 使用稀疏模式。当'target'设置为'CPU'时，'sparse'必须为 true 。默认值： True 。

• operator (str) - 字段特征的池化方法。支持 'SUM' 、 'MEAN' 和 'MAX' 。默认值： 'SUM' 。

• dtype (mindspore.dtype) - Parameters的dtype。默认值： mstype.float32 。

输入：

• input_indices (Tensor) - 指定输入Tensor元素的索引，其shape为 $(batch\mathrm{\_}size,seq\mathrm{\_}length)$ 。数据类型为int32、int64。

• input_values (Tensor) - 指定 input_indices 元素的权重。将检索出的向量乘以 input_values 。其shape为 $(batch\mathrm{\_}size,seq\mathrm{\_}length)$ 。类型为float32。

• field_ids (Tensor) - 指定 input_indices 元素的字段ID，其shape为 $(batch\mathrm{\_}size,seq\mathrm{\_}length)$ 。类型为int32。

输出：

Tensor，shape为 $(batch\mathrm{\_}size,field\mathrm{\_}size,embedding\mathrm{\_}size)$ 。类型为float32。

异常：

• TypeError - vocab_size 、 embedding_size 或 field_size 不是int。

• TypeError - sparse 不是bool或 feature_num_list 不是tuple。

• ValueError - vocab_size 、 embedding_size 或 field_size 小于1。

• ValueError - target 既不是 'CPU' 也不是 'DEVICE'。

• ValueError - slice_mode 不是 'batch_slice'、 'field_slice'、 'table_row_slice' 或 'table_column_slice' 。

• ValueError - sparse 为False， target 为 'CPU' 。

• ValueError - slice_mode 为 'field_slice'， feature_num_list 为None。

• ValueError - operator 不是 'SUM'、 'MAX' 或 'MEAN' 。

支持平台：

Ascend GPU

样例：

>>> import mindspore
>>> from mindspore import Tensor, nn
>>> input_indices = Tensor([[2, 4, 6, 0, 0], [1, 3, 5, 0, 0]], mindspore.int32)
>>> input_values = Tensor([[1, 1, 1, 0, 0], [1, 1, 1, 0, 0]], mindspore.float32)
>>> field_ids = Tensor([[0, 1, 1, 0, 0], [0, 0, 1, 0, 0]], mindspore.int32)
>>> net = nn.MultiFieldEmbeddingLookup(10, 2, field_size=2, operator='SUM', target='DEVICE')
>>> out = net(input_indices, input_values, field_ids)
>>> print(out.shape)
(2, 2, 2)