Embedding ใน PyTorch

PyBooks ประสบความสำเร็จกับระบบแนะนำหนังสือ แต่ระบบยังไม่ได้คำนึงถึงความหมายเชิงบริบทที่ซ่อนอยู่ในข้อความ embedding layer ที่มีอยู่ใน PyTorch สามารถเรียนรู้และแสดงความสัมพันธ์ระหว่างคำได้โดยตรงจากข้อมูล ทีมของคุณอยากลองนำความสามารถนี้มาพัฒนาระบบแนะนำหนังสือให้ดียิ่งขึ้น ช่วย implement ส่วนนี้กันได้เลย

มีการ import torch และ torch.nn เป็น nn ให้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Deep Learning สำหรับข้อความด้วย PyTorch

ดูคอร์ส

คำแนะนำการฝึกหัด

กำหนด index เฉพาะให้กับแต่ละคำใน words แล้วบันทึกไว้ใน word_to_idx
แปลง word_to_idx เป็น PyTorch tensor แล้วบันทึกไว้ใน inputs
สร้าง embedding layer โดยใช้ torch module ที่มี 10 มิติ
ส่ง tensor inputs เข้า embedding layer แล้วตรวจสอบผลลัพธ์ที่ได้

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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)

แก้ไขและรันโค้ด