模型构建
预训练词向量导入
上一篇博文里，我们已经完成了数据集的制作，接下来的一个问题就是，模型的构建，第一个问题就是词向量的问题，
我们已经有了一个训练好的词向量，那么在keras中很好处理，可以看我的gitghub keras 实现,那么pytorch是怎么实现与训练向量的导入的呢，如果看官方文档，查看完整参数列表，发现似乎没有参数可以实现预训练向量的导入，只有定义好就是随机的初始化向量。查看了源码，发现了存储embeding权重的变量就是weights，然后我
尝试直接修改weights的值，踩了几个坑，最后采用如下实现：
self.word_embeds = nn.Embedding(vocab_size, embedding_dim)
weight = np.array(weight)
self.word_embeds.weight.data.copy_(torch.from_numpy(weight))
ok,测试一下，怎么测试呢，随便找个词输入可以查看50维度的词向量，输入到上面的embeding层中，再输入到一个
没有赋值的embeding层中，通过查看词向量是否一致来看是不行的，因为embeding层每次都会随机选取初始化向量的，
不一致才是正常的，因此我们可以通过执行两次上面赋值后embeding，看看是否一样，一样说明赋值成功了，否则的话
随机变化肯定是不会一样的。测试代码如下：
vocab_len = len(word_to_index) + 1 #word index begin with 1,plus 1 for padding 0
emb_dim = word_to_vec_map["cucumber"].shape[0]
emb_matrix = np.zeros((vocab_len, emb_dim))
for word, index in word_to_index.items():
emb_matrix[index, :] = word_to_vec_map[word]
word_embeds = nn.Embedding(vocab_len, 50)
pretrained_weight = np.array(emb_matrix)
word_embeds.weight.data.copy_(torch.from_numpy(pretrained_weight))
input = Variable(torch.LongTensor([word_to_index["cucumber"]]))
print("111：",word_embeds(input))
print("222：",word_embeds(input))
print("333：",word_embeds(input))
为了保险，我输入了三次，结果都是一样的，这就说明赋值是成功的。
固定词向量
我们知道，训练时，我们是不希望词向量的值改变的，因为这个向量已经在很大的语料库上训练好了，不需要改变，因此就涉及到固定子层参数不更新的技巧。这个方法有很多，常用的是requires_grad和volatile，requires_grad = False等同于volatile = True。我就只说说前者了，每个Variable都有这个参数，自然就包括model的parameter，因此我们可以设置embeding层的参数的parameter的requires_grad为False，这样就不会计算他们的梯度了，这样还会提升模型训练的速度，因为预训练的词向量矩阵还是维度很大的，如果每次反向传播都计算它的梯度会极大地影响训练的速度。当然这样还是不够的，设置优化器的时候，第一个参数就不可以是model。parameter()，因为embeding层的梯度是没有的，也就优化不了，因此要将它排除。由于这里的层很少，因此我采用如下方法：
optimizer1 = torch.optim.Adam(model.rnn.parameters(),lr=0.001)
optimizer2 = torch.optim.Adam(model.linear.parameters(),lr=0.001)
就是用两个优化器，分别优化剩下的两个层。这个方法是我自己想的，不知道有没有什么bug。那么自然，后面更新的step，也要两个优化器一起step。完整代码我会上传到我的github的。
模型搭建
剩下的就蛮简单的了，注意好好看官方文档对应的API，每个参数都了解，能节省代码就节省代码，比如2层LSTM中间接dropout，keras是依次实现的，而pytorch可以直接一个函数实现。具体结构如下：
其他
记得还有一个问题是，读取自定义数据集时，会把数据变成DoubleTensor，target变成了intTensor,转化成longTensor就是直接在后面加上.long()，就行了，其他的Tensor之间的转化也如此，.int(),.float(),等等。
-
完整代码地址 pyTorch emojify，喜欢的别忘了点个star哦=-=
我以后应该会出一个深度框架解读系列，目的就是让大家积极读源代码，这样才能彻底掌握这个框架，也督促我自己好好研读源码，因此大家Github上一定要关注这些框架的官方源码，时时关注更新动态，首先应该就是从pytorch和torchvision开始讲起，一个类一个类的详解，当然很多类也需要关联起来解读。然后其他框架的话再说吧，我了解的框架也就那么几个=-=
