Keras学习（2）

Embedding

keras.layers.embeddings.Embedding(input_dim, output_dim, embeddings_initializer='uniform', embeddings_regularizer=None, activity_regularizer=None, embeddings_constraint=None, mask_zero=False, input_length=None)

参数解析：
input_dim：大或等于0的整数，字典长度，即输入数据最大下标+1。词汇表的大小。这是文本数据中词汇的取值可能数。例如，如果您的数据是整数编码为0-9之间的值，那么词汇的大小就是10个单词；

output_dim：大于0的整数，代表全连接嵌入的维度。这是嵌入单词的向量空间的大小，
input_length：这是输入序列的长度，就像您为Keras模型的任何输入层所定义的一样，也就是一次输入带有的词汇个数。例如，如果您的所有输入文档都由1000个字组成，那么input_length就是1000。

输入形状

2维张量，形状为(batch_size, sequence_length)。
(1个批次内的文本数,每篇文本中的词语数)

输出形状

3维张量，形状为(batch_size, sequence_length, output_dim)。
(1个批次内的文本数, 每篇文本中的词语数,每个词语的维度)

例子：

下面我们定义一个词汇表为200的嵌入层（例如从0到199的整数编码的字，包括0到199），一个32维的向量空间，其中将嵌入单词，以及输入文档，每个文档有50个单词。

 e = Embedding(input_dim=200, output_dim=32, input_length=50)

参考博客：
keras-Embedding层-知乎

深度学习中Keras中的Embedding层的理解与使用-掘金-Demo

Keras中文文档