身份
- class torchhd.embeddings.Identity(num_embeddings: int, embedding_dim: int, vsa: Literal['BSC', 'MAP', 'HRR', 'FHRR', 'BSBC', 'VTB', 'MCR'] = 'MAP', requires_grad: bool = False, padding_idx: int | None = None, max_norm: float | None = None, norm_type: float = 2.0, scale_grad_by_freq: bool = False, sparse: bool = False, device=None, dtype=None, **kwargs)[来源]
嵌入围绕
identity()的包装器。类继承自Embedding并支持相同的关键字参数。
- Parameters:
num_embeddings (int) – 生成的超向量数量。
embedding_dim (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".dtype (
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：
>>> emb = embeddings.Identity(4, 6) >>> idx = torch.LongTensor([0, 1, 3]) >>> emb(idx) MAPTensor([[1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1.], [1., 1., 1., 1., 1., 1.]]) >>> emb = embeddings.Identity(4, 6, "HRR") >>> idx = torch.LongTensor([0, 1, 3]) >>> emb(idx) HRRTensor([[1., 0., 0., 0., 0., 0.], [1., 0., 0., 0., 0., 0.], [1., 0., 0., 0., 0., 0.]])