快捷方式

EmbeddingBag

class torch.ao.nn.quantized.EmbeddingBag(num_embeddings, embedding_dim, max_norm=None, norm_type=2.0, scale_grad_by_freq=False, mode='sum', sparse=False, _weight=None, include_last_offset=False, dtype=torch.quint8)[source]

具有量化打包权重作为输入的量化 EmbeddingBag 模块。我们采用与 torch.nn.EmbeddingBag 相同的接口,请参见 https://pytorch.ac.cn/docs/stable/generated/torch.nn.EmbeddingBag.html 获取文档。

类似于 EmbeddingBag,属性将在模块创建时随机初始化,并将在之后被覆盖。

变量

weight (Tensor) – 模块的不可学习量化权重,形状为 (num_embeddings,embedding_dim)(\text{num\_embeddings}, \text{embedding\_dim}).

示例:
>>> m = nn.quantized.EmbeddingBag(num_embeddings=10, embedding_dim=12, include_last_offset=True, mode='sum')
>>> indices = torch.tensor([9, 6, 5, 7, 8, 8, 9, 2, 8, 6, 6, 9, 1, 6, 8, 8, 3, 2, 3, 6, 3, 6, 5, 7, 0, 8, 4, 6, 5, 8, 2, 3])
>>> offsets = torch.tensor([0, 19, 20, 28, 28, 32])
>>> output = m(indices, offsets)
>>> print(output.size())
torch.Size([5, 12])
classmethod from_float(mod, use_precomputed_fake_quant=False)[source]

从浮点模块创建一个量化的 embedding_bag 模块。

参数

mod (Module) – 浮点模块,由 torch.ao.quantization 实用程序生成或由用户提供。

文档

访问 PyTorch 的综合开发者文档

查看文档

教程

获取针对初学者和高级开发者的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源