Začněte nyníZačněte zdarma

Embedding v PyTorchi

PyBooks slaví úspěch se systémem doporučování knih. Ten ale nezohledňuje určité sémantické vztahy obsažené v textu. Vestavěná embedding vrstva PyTorche dokáže tyto vztahy mezi slovy přímo z dat naučit a reprezentovat. Tvůj tým chce tuto možnost prozkoumat a vylepšit tak systém doporučování knih. Pomůžeš s implementací?

torch a torch.nn jako nn jsou již naimportované.

Toto cvičení je součástí kurzu

Deep Learning for Text with PyTorch

Zobrazit kurz

Pokyny k cvičení

  • Přiřaď každému slovu v words jedinečný index a ulož výsledek do word_to_idx.
  • Převeď word_to_idx na PyTorch tensor a ulož ho do inputs.
  • Inicializuj embedding vrstvu pomocí modulu torch s deseti dimenzemi.
  • Předej tensor inputs embedding vrstvě a prohlédni si výstup.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Map a unique index to each word
words = ["This", "book", "was", "fantastic", "I", "really", "love", "science", "fiction", "but", "the", "protagonist", "was", "rude", "sometimes"]
word_to_idx = {word: ____ for i, word in enumerate(____)}

# Convert word_to_idx to a tensor
inputs = ____.____([word_to_idx[w] for w in words])

# Initialize embedding layer with ten dimensions
embedding = nn.____(num_embeddings=len(words), embedding_dim=____)

# Pass the tensor to the embedding layer
output = embedding(____)
print(output)
Upravit a spustit kód