模型的第一层！torch.nn.Embedding和torch.nn.Linear的区别详解

• • • 1.概述
    • 2.Embedding
    • • 2.1 全连接层
      • 2.2 Embedding层
    • 结尾

torch.nn.Embedding是用来将一个数字变成一个指定维度的向量的，比如数字1变成一个128维的向量，数字2变成另外一个128维的向量。不过，这128维的向量并不是永恒不变的，这些128维的向量是模型真正的输入（也就是模型的第1层）（数字1和2并不是，可以算作模型第0层），然后这128维的向量会参与模型训练并且得到更新，从而数字1会有一个更好的128维向量的表示。

显然，这非常像全连接层，所以很多人说，Embedding层是全连接层的特例。

import numpy as np
import torch.nn as nn
import torch

比如我们有2个字，

vocab={"我":0,"你":1}

我们要把这两个字变成向量，有两种做法：

vocab={"我":0,"你":1}
vocab_vec=torch.eye(2)#构造one-hot向量，所以需要用两个2维的向量表示这两个字。
print(vocab_vec)

tensor(
[[1., 0.],
[0., 1.]]
)

但是众所周知one-hot向量没有任何的语义信息，而且在这个one-hot中，空间庞大。我们需要一个低维稠密的向量来代替one-hot向量。很简单，一个线性层即可。

fc=nn.Linear(2,2)#原来表示一个字的向量维度是2，为了简单，我们全连接后还是2.
fc(vocab_vec)

上面才是我们想要的这两个字的表示，然后将上述输入到模型的后续层中，进行训练，这样，由于线性层fc的参数会不断变化，所以上面这个数值fc(vocab_vec)当然也会随之而变化喽。

使用这个会更简单，更方便一些。我们不需要构造one-hot向量，我们开头说过了，Embedding层将一个数字直接转化为你想要的维度的向量，这是好事！比如你内存不够的时候，就不用像上面这种做法那样需要多存储一个one-hot的矩阵。

vocab={"我":0,"你":1}
embedding=torch.nn.Embedding(vocab_size,emb_size)#原来表示一个字的向量维度是2，为了简单，我们全连接后还是2.

然后，我们想要得到我们那两个字(“我”,“你”)的向量，只需要将"我"和"你"的编号输入即可，而不需要那个one-hot向量，比如"我"的编号是0，"你"的编号是1：

me=torch.tensor([0],dtype=torch.int64)
you=torch.tensor([1],dtype=torch.int64)

然后将上述作为参数，传入embedding层。

print(embedding(me))
print(embedding(you))

tensor([[0.6188, 1.5322]], grad_fn=)
tensor([[-0.8198, -0.9139]], grad_fn=)

就得到了上述两个字的向量。当然了，我们也可以合并起来得到：

meyou=torch.tensor([0,1],dtype=torch.int64)
print(embedding(meyou))

同样，上述得到的向量输入到模型的后续中，训练后，Embedding层的参数会随之改变，从而我们得到了更好的字向量。

可以看到，Embedding和Linear几乎是一样的，区别就在于：输入不同，一个是输入数字，后者是输入one-hot向量。习惯上，我们在模型的第一层使用的是Embedding，而不是Linear。模型的后续不会再使用Embedding，而是使用Linear。

补充：上述我们在做定义的时候，里面的参数是初始化的。

fc=nn.Linear(2,2)
embedding=torch.nn.Embedding(vocab_size,emb_size)

有的时候，我们可能觉得其初始化得不好，想要按照我们的来指定，怎么办？1.使用nn.Parameter直接进行赋值。

myemb=nn.Parameter(torch.rand(2,2))#(0,1)均匀分布的参数
print(fc.weight)#原来的
fc.weight=myemb#修改
print(embedding.weight)#原来的
embedding.weight=myemb#修改

我们再查看修改后的：

当然了，还有很多很多的其他做法,2.使用.data:

embedding.weight.data.uniform_(-1,1)#又改成(-1,1)的均匀分布。

embedding.weight#查看一下

而且以上两种方法都适用于Embedding和Linear。不过，还有一个方法适用于Embedding。3.nn.Embedding.from_pretrained

a=torch.tensor([[1,2],[2,2]],dtype=torch.float32)
embedding=nn.Embedding.from_pretrained(a)
embedding.weight