keras.layers.Embedding层介绍

本层应用，就是把稀疏矩阵变成一个密集矩阵，也称为查表，因为他们之间是一个一一映射关系。与其对应的是one-hot编码，multi-hot编码，对于特征维度过大的应用，直接使用会造成维度灾难。

Embedding层本质也是一个映射，不过不是映射为on-hot编码，而是映射为一个指定维度的向量，该向量是一个变量，通过学习寻找到最优值；此过程类似word2vec的原理。

而通常输入的特征都是字符串，所以在映射之前先转化为数字，也就是StringLookup对应的count模式所做的事情。

使用方式如下：

import tensorflow as tf
#其中1000表示input_dimension,也就是词汇表的大小，size of vocabulary
embedding = tf.keras.layers.Embedding(1000, 64)
input_array = np.random.randint(20, size=(32, 10))
embedding(input_array)
#输出，数字会随着模型的训练而变化调优
<tf.Tensor: shape=(32, 10, 64), dtype=float32, numpy=
array([[[-0.00223513,  0.04911561,  0.03994017, ..., -0.00141234,
          0.03842745, -0.03368234],
        [-0.00223513,  0.04911561,  0.03994017, ..., -0.00141234,
          0.03842745, -0.03368234],
        [-0.02339436, -0.03834909,  0.01074553, ...,  0.01113864,
         -0.04465676,  0.02594434],
        ...,
        [ 0.02353707,  0.02030389, -0.03473636, ..., -0.00815297,
         -0.0427214 , -0.02282931],
        [ 0.02353707,  0.02030389, -0.03473636, ..., -0.00815297,
         -0.0427214 , -0.02282931],

 降维的原理和意义，参考：深度学习-函数-tf.nn.embedding_lookup 与tf.keras.layers.Embedding_茫茫人海一粒沙的博客-CSDN博客