在 PyTorch 中使用 Embedding

PyBooks 通过图书推荐系统取得了成功。不过，该系统尚未考虑文本中的部分语义信息。PyTorch 内置的嵌入层可以直接从数据中学习并表示词与词之间的关系。您的团队希望探索这一能力，以改进图书推荐系统。您能帮忙实现吗？

torch 和 torch.nn（简称 nn）已为您导入。

本练习是课程的一部分

使用 PyTorch 的文本深度学习

查看课程

练习说明

为 words 中的每个词映射一个唯一索引，并保存为 word_to_idx。
将 word_to_idx 转换为 PyTorch 张量，并保存为 inputs。
使用 torch 模块初始化一个具有 10 个维度的嵌入层。
将 inputs 张量传入嵌入层，并查看输出。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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)

编辑并运行代码