AllenNLP中的weighted_sum()函数在文本分类任务中的应用

在AllenNLP中，weighted_sum()函数通常用于文本分类任务中，用于将文本中的词向量加权求和得到句子的表示。

使用weighted_sum()函数的示例代码如下：

from typing import List
import torch
from allennlp.nn import util

def compute_sentence_representation(token_embeddings: torch.Tensor, attention_weights: List[float]) -> torch.Tensor:
    # 使用weighted_sum()函数将词向量加权求和得到句子的表示
    sentence_representation = util.weighted_sum(token_embeddings, attention_weights)
    return sentence_representation

# 假设有5个词和5个对应的词向量，要计算句子表示
token_embeddings = torch.randn(5, 100)  # 5个词向量，每个词向量维度为100
attention_weights = [0.1, 0.2, 0.3, 0.2, 0.1]  # 对应每个词的注意力权重

# 调用compute_sentence_representation()函数获取句子表示
sentence_representation = compute_sentence_representation(token_embeddings, attention_weights)

print(sentence_representation.size())  # 输出句子表示的大小 (100,)

在以上示例中，我们首先导入了必要的类和函数。然后定义了一个compute_sentence_representation()函数，该函数接受两个参数：token_embeddings表示词向量矩阵，attention_weights表示每个词的注意力权重列表。函数内部使用weighted_sum()函数将词向量加权求和得到句子的表示，并返回句子表示。

接着，我们创建了一个示例输入的词向量矩阵token_embeddings和对应的注意力权重列表attention_weights。最后，我们调用compute_sentence_representation()函数，传入词向量矩阵和注意力权重列表，得到句子表示sentence_representation。

最后，我们打印出句子表示的大小，可以看到其为(100,)，说明句子表示是一个维度为100的向量。

这是一个简单的使用weighted_sum()函数的例子，通常在具体的文本分类任务中，会有更多的步骤和处理。weighted_sum()函数的作用是将词向量按照权重加权求和，其中权重可以表示每个词的重要程度或者注意力分布等信息。