Embedding no PyTorch

A PyBooks teve sucesso com um sistema de recomendação de livros. No entanto, ele não considera algumas das semânticas presentes no texto. A camada de embedding nativa do PyTorch pode aprender e representar o relacionamento entre palavras diretamente a partir dos dados. Sua equipe quer explorar esse recurso para melhorar o sistema de recomendação de livros. Você pode ajudar a implementá-lo?

torch e torch.nn como nn já foram importados para você.

Este exercício faz parte do curso

Deep Learning para Texto com PyTorch

Ver curso

Instruções do exercício

Mapeie um índice único para cada palavra em words, salvando em word_to_idx.
Converta word_to_idx em um tensor do PyTorch e salve em inputs.
Inicialize uma camada de embedding usando o módulo torch com dez dimensões.
Passe o tensor inputs para a camada de embedding e analise a saída.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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)

Editar e executar o código