Embedding之padding_idx学习

题目

padding_idx学习

解释

Embedding类

i.e. it remains as a fixed “pad”. For a newly constructed Embedding,the embedding vector at :attr:padding_idx will default to all zeros,but can be updated to another value to be used as the padding vector. |

什么意思呢？

意思就是padding_idx默认为None，如果指定的话，则padding_idx对应的参数不会对梯度产生影响，因此在padding_idx处词嵌入向量在训练过程中不会被更新。

举例

# 原段落有有5个单词,分别为
# index  :  word
#   0       hello
#   1       world
#   2       morning
#   3       goodbye
#   4       sunshine

case1:padding_idx=None

#index=[0,1,2,3,4]分别代表上述单词
seq = torch.tensor([0,1,2,3,4])

# 创建一个词嵌入模型embed,输入单词数为5,每个单词用3个向量表示
embed = nn.Embedding(5,3,padding_idx=None)

word_embed = embed(seq)
print(f"默认情况下的padding_idx:\n{word_embed}")

case2:padding_idx=0

#index=[0,1,2,3,4]分别代表上述单词
seq = torch.tensor([0,1,2,3,4])

# 创建一个词嵌入模型embed,输入单词数为5,每个单词用3个向量表示
embed = nn.Embedding(5,3,padding_idx=0)

word_embed = embed(seq)
print(f"padding_idx=0:\n{word_embed}")

case3:padding_idx=3

#index=[0,1,2,3,4]分别代表上述单词
seq = torch.tensor([0,1,2,3,4])

# 创建一个词嵌入模型embed,输入单词数为5,每个单词用3个向量表示
embed = nn.Embedding(5,3,padding_idx=3)

word_embed = embed(seq)
print(f"padding_idx=0:\n{word_embed}")

结论：

从这里可以看出padding_idx的作用是使得对应单词的词向量表示为0，比如padding_idx=0，它是让hello代表的词向量表示为0

case4:padding_idx=3,将单词顺序变化

#index=[0,1,2,3,4]分别代表上述单词，将goodbye和sunshine位置调换
seq = torch.tensor([0,1,2,4,3])

# 创建一个词嵌入模型embed,输入单词数为5,每个单词用3个向量表示
embed = nn.Embedding(5,3,padding_idx=3)

word_embed = embed(seq)
print(f"padding_idx=3:\n{word_embed}")

由此更可以确凿是与单词的index有关，而不是与seq本身固有的index有关。