Embedding in PyTorch

PyBooks ha avuto successo con un sistema di raccomandazione di libri. Tuttavia, non tiene conto di alcune delle sfumature semantiche presenti nel testo. Il livello di embedding integrato in PyTorch può apprendere e rappresentare la relazione tra le parole direttamente dai dati. Il tuo team è curioso di esplorare questa funzionalità per migliorare il sistema di raccomandazione. Puoi aiutare a implementarla?

torch e torch.nn come nn sono già stati importati per te.

Questo esercizio fa parte del corso

Deep Learning per il testo con PyTorch

Visualizza il corso

Istruzioni dell'esercizio

Associa un indice univoco a ogni parola in words, salvandolo in word_to_idx.
Converte word_to_idx in un tensore PyTorch e salvalo in inputs.
Inizializza un livello di embedding usando il modulo torch con dieci dimensioni.
Passa il tensore inputs al livello di embedding e osserva l’output.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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)

Modifica ed esegui il codice