nn.Embedding是一种词嵌入的方式，跟one-hot相似但又不同，会生成低维稠密向量，但是初始是随机化的，需要根据模型训练时进行调节，若使用预训练词向量模型会比较好。

1. one-hot

one-hot是给定每个单词一个索引，然后根据输入文本是否含有这个单词来决定向量。

单词	索引
we	0
have	1
are	2
any	3
all	4
excellent	5
people	6
…	…

给定“We are all excellent people”,生成one-hot向量[1,0,1,0,1,1,1,0,0,…]

---

2. nn.Embedding

nn.Embedding参数设置：
torch.nn.Embedding(num_embeddings, embedding_dim, padding_idx=None, max_norm=None, norm_type=2.0, scale_grad_by_freq=False, sparse=False, _weight=None, device=None, dtype=None)

• num_embeddings：字典的大小，如上表中字典大小事5000，就写5000。
• embedding_dim：嵌入向量的维度，表示将单词编码为多少维的向量。
• padding_idx：填充索引，意思是填充的索引，向量值默认为全0（可以自定义），相当于unknown，对未知的词编码为零向量。

其他参数并不常用，详情可以参考官网
Note, embedding只接受LongTensor类型的数据，且数据不能大于等于词典大小。

3. 应用

3.1 示例一

import torch
from torch import nn
embedding = nn.Embedding(10, 3)  #设置字典大小为10，维度为3
input = torch.LongTensor([[0,2,0,5]])  #设置为LongTensor
vector = embedding(input)
print(vector)

3.2 示例2

import torch
from torch import nn
embedding = nn.Embedding(10, 3, padding_idx=2)  #设置字典大小为10，维度为3
input = torch.LongTensor([[0,2,0,5]])
vector = embedding(input)
print(vector)
print("查看词典：",embedding.weight)  #weight可以查看全部词的向量

通过结果可以看到，词向量跟字典中的向量一一对应。

3.3 示例三

import torch
from torch import nn
padding_idx = 2
embedding = nn.Embedding(10, 3, padding_idx=2)  #设置字典大小为10，维度为3
input = torch.LongTensor([[0,2,0,5]])
vector = embedding(input)
with torch.no_grad():   
    embedding.weight[padding_idx] = torch.ones(3)  #设置填充向量
print(vector)
print("查看词典：",embedding.weight)  #weight可以查看全部词的向量

目前在自然语言中，主要使用词向量模型生成词向量，如word2vec,glove之类的静态词向量模型，BERT、RoBERT之类的动态词向量模型，或者使用超大模型bloom等，效果都比之前要好，具体使用那种模型根据具体情况而定。