Embedding一下看清楚

原因就是你没找到合适的教程。如果这篇你看不明白，关了，下一篇。

embedding层有什么用
首先，embedding是为了处理文字的理解。让机器能够理解一句话的意思： 灰白灰会挥发。一句话，6个字。

但是只有五种 白，灰，会，挥，发。

编码
我们需要将汉字表达成网络认识的数字，比如我用整数表达。
白：2

灰：1

会：3

挥：4

发：5

句子就可以写成121345。

我用3维的01向量也能表达
白：（000）

灰：（001）

会：（010）

挥：（100）

发：（111）

成吧？相应的这句话就是(001)(000)(001)(010)(100)(111)就能表示灰白灰会挥发了。就是比起121345的表示方法长了好些。

我再费劲点，我用one hot编码方式
白：（10000）

灰：（01000）

会：（00100）

挥：（00010）

发：（00001）

也可以吧？

那么看来，我有很多种能够对字编码的方式。那我能不能找到一种最有优势的。比方说，如果我能用一个向量来表示这个字，这个向量能够表达这个字的特点。比如(255,255,255)这是白色的rgb颜色码，（100,100,100）是灰色的rgb颜色码。那么如果我的向量这样表达——白：（255,255,255,0,0） 灰：（100,100,100,0,0）诶，这个向量他有灵性，棒棒的哈，那如果我能把编码与字的属性合一，那么想当然，会给我的网络带来很多便利。

不过我肯定不能人工去编码，那么我选择整一个编码矩阵，交给网络更新成不？

网络更新编码

---

白：（11,22,33,44,55）

灰：（5,8,2,1,4）

会：（6,6,6,6,6）

挥：（8,8,8,8,8）

发：（0,0,0,0,0）

我让其他层的网络将每个字更新成这种有语义的可不可以：

白：（255,255,255,0,0）

灰：（100,100,100,0,0）

其他字省略了

针对以上需求我们。。
当然这个更新过程与我们的embedding层无关，后面的网络会负责更新。embedding只是让把句子转换成初始编码矩阵。

1.我们需要用将这句话转换成向量

2.我们需要一个初始的可以更新的特征编码矩阵。

就说我们这个句子：灰白灰会挥发，有5种字，一共长度6，那我想把每个字编码成维度5的’灵性‘’向量（白：（255,255,255,0,0） ）怎么整呢。

keras.layers.Embedding(input_dim, output_dim, embeddings_initializer='uniform', embeddings_regularizer=None, activity_regularizer=None, embeddings_constraint=None, mask_zero=False, input_length=None)
input_dim: 词汇表大小，对应我们的例子就是5

output_dim:输出维度，对应我们的例子还是5，不过这回说的就是：白：（255,255,255,0,0）这个了。

input_length:输入的句子长度，对应我们的例子，6.

通常就需要给出这三个参数，embedding层就能自动的暗搓搓给你生成一个编码矩阵，一个字对应矩阵的一行。更新矩阵，你的字的想两步就被更新了吗。第一行向量长什么样，你的字不就被编码成什么样吗，所以啊，你的输入长什么样其实全权由这个矩阵决定了。

不对啊，还有一个问题，网络的输入都得是向量，一开始的输入他就不认字啊，怎么转换啊？

很简单。你自己也暗搓搓的把‘’灰白灰会挥发‘’转化成(1, 2, 1, 3, 4, 5)给网络就好。

那么官方这句：将正整数（索引值）转换为固定尺寸的稠密向量。 例如： [[4], [20]] -> [[0.25, 0.1], [0.6, -0.2]]

你也明白什么意思了吧。通常都会先将文字转换成普通整数编码，然后再用embedding层进行可更新向量编码。

我尽力了。。。。希望你能看明白，如果没明白也不要烦躁，再多看看别的教程。