是一个可学习层，用于学习单词或者其它以index标记的数据的编码（通常是向量编码）
为何需要这个层？普通的one-hot编码很难表示两个词之间的相关度，但通过可训练的embedding
层可以学习出两个词变量编码，且如果是相关的词，词向量之间具有更大的相关性。
------
Keras：
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)
输入shape
形如（samples，sequence_length）的2D张量
输出shape
形如(samples, sequence_length, output_dim)的3D张量
官方例子：
【1】model = Sequential()
【2】model.add(Embedding(input_dim=1000,output_dim=64, input_length=10))
【3】input_array = np.random.randint(1000, size=(32, 10))
【4】model.compile('rmsprop', 'mse')
【5】output_array = model.predict(input_array)
【6】assert output_array.shape == (32, 10, 64)
解释：
【1】【2】创建序列模型并添加embedding层，1000是最长编码长度，输入数据最大下标+1，在【3】中创建的输入数据最大为999，因此此处input_dim为1000
【3】创建输入变量 shape=(32,10) 可以认为32是batch_size，10是数据长度
【4】编译模型
【5】预测输出模型值
【6】输出shape为 （32，10，64），其中（32，10）是原输入数据的shape，64是经过embadding编码向量长度，即使用64长度的编码代表一个原输入数据值
--- --- --- --- --- --- --- ---
tensoflow：
tf.nn.embedding_lookup,参数有两个（tensor, id）:tensor就是输入张量，id就是张量对应的索引。
tensor可以是训练参数，也可以是定值，id就是输入变量的index值，例如词的index标记；
使用：
例1：
- c = np.random.random([100,10])
- b = tf.nn.embedding_lookup(c, [1, 3])
- with tf.Session() as sess:
- sess.run(tf.initialize_all_variables())
- print sess.run(b)
- print c
解释：c表示编码矩阵，最长100个编码词，每个编码的长度为10；
b的输出为取c编码矩阵中第1个和第三个，每个长度为10
例2：
【1】input_ids = tf.placeholder(dtype=tf.int32, shape=[None])
【2】embedding = tf.Variable(np.identity(5, dtype=np.int32))
【3】input_embedding = tf.nn.embedding_lookup(embedding, input_ids)
【4】sess = tf.InteractiveSession()
【5】sess.run(tf.global_variables_initializer())
【6】print(embedding.eval())
【7】print(sess.run(input_embedding, feed_dict={input_ids:[1, 2, 3, 0, 3, 2, 1]}))
解释：
【1】输入变量占位符，长度不定。【2】embedding的tensor变量，定义编码矩阵，此处为对角阵，矩阵对角上的值为1，其它为0，可以认为是一种one-hot编码。
embedding = [[1 0 0 0 0]
[0 1 0 0 0]
[0 0 1 0 0]
[0 0 0 1 0]
[0 0 0 0 1]]
【3】通过指定input_ids查找编码。
【4】【5】初始化。【6】输出编码矩阵
【7】feed_dict输入变量赋值，根据ins输出【3】op的值，分别是对应index为[1, 2, 3, 0, 3, 2, 1]的编码向量。
---------------------------------
注意：
embedding层其实是可以训练的层，各编码向量可以通过以后的学习得到