Embedding#我们来看 embedding 的参数： nn.Embedding(num_embeddings,embedding_dim)
其中 num_embedding 是词典大小，比如训练的时候的词有 5k 个，那么就等于 5k,儿 embedding_dim 是嵌入向量的维度，也就是多少来表示一个符号。
首先来看 one_hot,one_hot 使用一个长度为 5 的 01 向量来表示 我是中国人,这样的方法很简单，但是词典的字多的时候会导致稀疏性，不便于计算，而且无法处理原来的序列信息，==比如“我是人”这句话中，“我”和“人”的距离与“我”和“是”的距离一样，==这显然是不合理的。
embedding 就是为了解决这个问题。首先我们准备一本字典，把句子中的每个词映射到更低维度上去。对 5k 字的字典，one-hot 需要 5k 长度的 vector,儿 embedding 只需要指定一个 embedding_dim，这个 dim 可以小于 5k。也就是对于一句话来说，本来我们需要 (length,5k) 的矩阵，现在我们只需要 (length,dim) 的矩阵就可以了
也就是说，当整个输入数据 X 只有一句话时
X（1, max_length, num_embeddings）
字典为（num_embeddings, embedding_dim）
则经过翻译之后，这句话变成（1，max_length，embedding_dim）