密度
- class torchhd.embeddings.Density(in_features: int, out_features: int, vsa: Literal['BSC', 'MAP', 'HRR', 'FHRR', 'BSBC', 'VTB', 'MCR'] = 'MAP', low: float = 0.0, high: float = 1.0, device=None, dtype=None, requires_grad: bool = False, **kwargs)[来源]
根据intRVFL模型将输入数据转换为超向量。
详情请参见Density Encoding Enables Resource-Efficient Randomly Connected Neural Networks。
- Parameters:
in_features (int) – 输入特征向量的维度。
out_features (int) – 超向量的维度。
vsa – (
VSAOptions, 可选): 指定要实例化的超向量类型。默认值:"MAP".low (float, 可选) – 温度计编码所代表的实数范围的下限。默认值：
0.0高 (浮点数, 可选) – 温度计编码所代表的实数范围的上限。默认值：
1.0dtype (
torch.dtype, 可选) – 返回张量的期望数据类型。默认值：如果None，则使用VSATensor的默认值。device (
torch.device, 可选) – 返回张量的期望设备。默认值：如果None，则使用当前设备作为默认张量类型（参见 torch.set_default_tensor_type()）。device对于 CPU 张量类型将是 CPU，对于 CUDA 张量类型将是当前的 CUDA 设备。requires_grad (bool, 可选) – 如果自动求导应该记录返回张量上的操作。默认值：
False。
示例：
>>> embed = embeddings.Density(6, 5) >>> x = torch.randn(3, 6) >>> x tensor([[ 0.5430, 1.0740, 0.7250, -0.3410, -0.1318, 1.3188], [ 0.4373, 1.2400, -0.2264, 1.2448, -0.2040, -0.7831], [ 1.7460, -0.7359, -1.3271, 0.4338, -0.2401, 1.6553]]) >>> embed(x) MAPTensor([[ 2., 2., -2., -2., 0.], [ 4., 0., 6., 4., 0.], [ 4., -4., -2., -4., -4.]])