Python pytorch中的nn.Embedded存在问题，预期标量类型为Long，但得到torch.cuda.FloatTensor（如何修复）？

所以我有一个RNN编码器，它是一个更大的语言模型的一部分，其中的过程是encode->RNN->decode

作为我的rnn类的

\uuuuu init\uuuu

的一部分，我有以下内容：

self.encode\u this=nn.Embedding（self.vocab\u size，self.embedded\u vocab\u dim）

现在我正在尝试实现一个forward类，它分批接收并执行编码然后解码

def f_计算（自身，批次）：
#这里，batch.shape[0]是批次的大小，batch.shape[1]是序列长度
隐藏状态=（torch.zero（self.num\u layers，batch.shape[0]，self.hidden\u vocab\u dim）.to（设备））
嵌入状态=（torch.zero（batch.shape[0]，batch.shape[1]，self.embedded\u vocab\u dim）.to（设备））
o1，h=自身。对其进行编码（嵌入状态）

但是，我的问题总是与编码器有关，这给了我以下错误：

/usr/local/lib/python3.6/dist-packages/torch/nn/functional.py in embedding(input, weight, padding_idx, max_norm, norm_type, scale_grad_by_freq, sparse)
   1465         # remove once script supports set_grad_enabled
   1466         _no_grad_embedding_renorm_(weight, input, max_norm, norm_type)
-> 1467     return torch.embedding(weight, input, padding_idx, scale_grad_by_freq, sparse)
   1468 
   1469 

RuntimeError: Expected tensor for argument #1 'indices' to have scalar type Long; but got torch.cuda.FloatTensor instead (while checking arguments for embedding)

有人知道怎么修理吗？我是pytorch的新手，如果这是一个愚蠢的问题，请原谅。我知道有一些形式的类型铸造涉及，但我不知道如何去做它

---

非常感谢

嵌入层需要输入整数

import torch as t

emb = t.nn.Embedding(embedding_dim=3, num_embeddings=26)

emb(t.LongTensor([0,1,2]))

在代码中添加

long（）

：

embedded_states = (torch.zeros(batch.shape[0],batch.shape[1], self.embedded_vocab_dim).to(device)).long()

---

嵌入层需要输入整数

import torch as t

emb = t.nn.Embedding(embedding_dim=3, num_embeddings=26)

emb(t.LongTensor([0,1,2]))

在代码中添加

long（）

：

embedded_states = (torch.zeros(batch.shape[0],batch.shape[1], self.embedded_vocab_dim).to(device)).long()

---

当我这样做并通过我的rnn，self.rnn（嵌入式_状态）传递它时，一个全新的维度被添加。。。所以张量变成4d而不是3d，你知道为什么会这样吗？因为你做了嵌入：你用嵌入替换最后一个维度的整数！换句话说，你用一个向量替换数字（标量）并增加一个额外的维度。嗯，你知道如何保持它的三维性吗？我一直在尝试挤压法，但似乎不起作用。我的RNN的输入是3D而不是4D。。。我应该传递3D嵌入和隐藏状态，对吗？还是我完全错了？不知道你的想法很难说。你可以看到我的代码。我正在做角色嵌入。输入时，我有[句子、单词、字符]。我用嵌入来表示每个字符（现在我有[句子，单词，字符，嵌入]然后使用LSTM得到单词的嵌入。然后对单词应用LSTM来解决分类问题。我的输入是N*L的形式，其中N是批量大小，L是序列长度，我的输出是N*L*V，其中V是词汇大小（每个单词的嵌入）…现在我对嵌入状态的初始化是零的3d向量（批量大小、序列长度、嵌入的尺寸），但现在当我运行nn.embedding时，我得到了一个完整的额外维度，当我这样做时，我将它传递给我的rnn，self.rnn（嵌入的状态）一个全新的维度被添加…因此张量变成4d而不是3d，你知道为什么会发生这种情况吗？因为你做嵌入：你用嵌入替换上一维度中的整数！换句话说，你替换数字（标量）用一个向量加上一个额外的维度。嗯，你知道如何保持它的3D吗？我一直在尝试挤压方法，但它似乎不起作用。我的RNN的输入是3D而不是4D…我应该传递3D嵌入和隐藏状态，对吗？或者我完全做错了吗？不知道你的想法很难说。Y你可以看到我的代码。我正在进行字符嵌入。在输入时，我有[句子、单词、字符]。我用它的嵌入来表示每个字符（现在我有[句子、单词、字符、嵌入]然后使用LSTM得到单词的嵌入。然后对单词应用LSTM来解决分类问题。我的输入是N*L的形式，其中N是批量大小，L是序列长度，我的输出是N*L*V，其中V是词汇大小（每个单词的嵌入）…现在我对嵌入状态的初始化是零的3d向量（批量大小、序列长度、嵌入的维数），但现在当我运行nn.embedding时，我得到了一个完整的额外维数