ПочатиПочніть безкоштовно

Embedding у PyTorch

PyBooks досягли успіху з системою рекомендацій книжок. Однак вона не враховує частину семантики тексту. Вбудований шар embedding у PyTorch може навчатися та відображати зв'язки між словами безпосередньо з даних. Ваша команда хоче дослідити цю можливість, щоб поліпшити систему рекомендацій. Допоможете це реалізувати?

torch і torch.nn як nn уже імпортовано для вас.

Ця вправа є частиною курсу

Глибоке навчання для тексту з PyTorch

Переглянути курс

Інструкції до вправи

  • Відповідно зіставте унікальний індекс кожному слову в words та збережіть у word_to_idx.
  • Перетворіть word_to_idx на тензор PyTorch і збережіть у inputs.
  • Ініціалізуйте шар embedding за допомогою модуля torch з десятьма вимірами.
  • Передайте тензор inputs у шар embedding та перегляньте результат.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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)
Редагувати та запускати код