Deep learning 如何创建分类和连续矩阵输入混合的Pytorch网络

我正在创建一个网络，它将采用一个连续值矩阵以及一些分类输入，表示为所有类的向量

现在，我还想用卷积从矩阵中提取特征。但如果我将矩阵降维为1，并与类向量连接，这是不可能的

---

有没有一种方法可以将它作为一个单一的输入连接在一起？或者我必须创建两个独立的输入层，然后在卷积之后以某种方式将它们连接起来？如果是后者，我在寻找什么功能

从分类数据创建连续值的最常用方法是。它创建可用类的可学习向量表示，使得特定上下文中的两个相似类比两个不同类更接近彼此

当有一个大小为[v]的类向量时，嵌入将创建一个大小为[v，embedding_size]的张量，其中每个类都由一个长度为embedding_size的向量表示

num_classes=4 嵌入尺寸=10 嵌入=nn.Embeddingnum\u类，嵌入\u大小 类向量=火炬张量[1,0,3,3,2] 嵌入类=嵌入类向量 嵌入式_classes.size=>torch.size[5,10]

---

如何将它们与连续矩阵相结合取决于您的特定用例。如果你只需要一个一维向量，你可以将它们展平并连接起来。另一方面，如果矩阵有您想要保留的有意义的维度，那么您应该决定哪个维度是有意义的，并调整嵌入的大小，以便它们可以被连接起来

一种有效的特征提取方法，通过卷积基对整个数据集进行管道传输，并将输出收集到一个NumPy数组。然后这个数组成为我们的新数据集。反过来，我们可以使用这个新的数据集作为新分类器的训练数据。