《Python深度学习》6.1文本数据处理

深度学习用于文本和序列可以做很多工作，比如识别文章的主题或书的作者；两个文档或两支股票行情的相关程度（是不是可以做主任想做的简答题的判断）；翻译； 情感分析，推文或者影评的正面或者负面评论 ； 时间序列预测，如天气，股票预测，本章不都将主要讲红色部分两个主题。

处理文本数据主要有两种方式one-hot和token embedding。深度学习不会接受原始文本作为输入，他只能处理数值张量，文本向量化是指将文本转换为数值张量的过程。

具体的做法就不在说了，这边想说一下一些感悟。token embedding是将单词构建成向量，单词之间的关系映射为向量之间的关系，整个embedding层的变量就是这些向量的值，通过反向传播，不断的修正这些值，也就是解这些参数。embedding层的三个参数，并没有严格意义的矩阵的形式，其实就是三个参数，后面两个是由矩阵意义的，但是如果把max_words想成一维就会有问题。

maxlen=100书上说是取得前100个words但是我看的都是从后往前数了100个，第一个是舍弃的。

问题是在列表中，使用array作为索引和适应列表作为索引，这个不同我只知道不同，没有搞清楚为什么不同。