Embedding avec PyTorch

PyBooks a obtenu de bons résultats avec un système de recommandation de livres. Toutefois, ce système ne prend pas en compte certaines informations sémantiques présentes dans le texte. La couche d’embedding intégrée de PyTorch peut apprendre et représenter les relations entre les mots directement à partir des données. Votre équipe souhaite explorer cette possibilité pour améliorer le système de recommandation. Pouvez-vous aider à l’implémenter ?

torch et torch.nn sous le nom nn ont été importés pour vous.

Cet exercice fait partie du cours

Deep Learning pour le texte avec PyTorch

Afficher le cours

Instructions

Associez un indice unique à chaque mot de words et enregistrez-le dans word_to_idx.
Convertissez word_to_idx en un tenseur PyTorch et enregistrez-le dans inputs.
Initialisez une couche d’embedding à l’aide du module torch avec dix dimensions.
Transmettez le tenseur inputs à la couche d’embedding et examinez le résultat.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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)

Modifier et exécuter le code