public struct Embedding<Scalar> : Module where Scalar : TensorFlowFloatingPoint
Uma camada de incorporação.
Embedding
é efectivamente uma tabela de pesquisa que mapeia índices a partir de um vocabulário fixo às representações vetor de tamanho fixo (densa), por exemplo, [[0], [3]] -> [[0.25, 0.1], [0.6, -0.2]]
.
Uma tabela de pesquisa que pode ser aprendida que mapeia índices de vocabulário para suas representações vetoriais densas.
Declaração
public var embeddings: Tensor<Scalar>
Cria uma
Embedding
camada com incorporações inicializados aleatoriamente de forma(vocabularySize, embeddingSize)
de modo que cada índice de vocabulário, é dada uma representação vectorial.Declaração
public init( vocabularySize: Int, embeddingSize: Int, embeddingsInitializer: ParameterInitializer<Scalar> = { Tensor(randomUniform: $0) } )
Parâmetros
vocabularySize
O número de índices distintos (palavras) no vocabulário. Este número deve ser o maior índice inteiro mais um.
embeddingSize
O número de entradas em uma única representação vetorial de incorporação.
embeddingsInitializer
Inicializador a ser usado para os parâmetros de incorporação.
Cria uma
Embedding
camada a partir das incorporações fornecidos. Útil para introduzir embeddings pré-treinados em um modelo.Declaração
public init(embeddings: Tensor<Scalar>)
Parâmetros
embeddings
A mesa de embeddings pré-treinada.
Retorna uma saída substituindo cada índice na entrada pela representação de vetor denso correspondente.
Valor de retorno
O tensor criado pela substituição dos índices de entrada por suas representações vetoriais.