nn.Embedding

nn.Embedding(vocab_size, embed_size)
vocab_size：表示一共有多少个字需要embedding，这里注意这个vocab_size的数量可以看成最后又多少类，也就是又多少个词，就又多少类
embed_size:表示我们希望一个字向量的维度是多少
它其实和one-hat的效果差不多
例如：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）
当输入数据X有多句话时，即Batch_size不等于1,有
X（batch_size, max_length, num_embeddings）
字典为（num_embeddings, embedding_dim）
则经过翻译之后，输入数据X变成（batch_size，max_length，embedding_dim）

例如：

embedding = nn.Embedding(10, 3)
input = torch.LongTensor([[1,2,4,5],[4,3,2,9]])
print(input.shape)
print(embedding(input).shape)

这里就是每个词，一共有10个词[0-9]，这里再实际操作中通常弄的大一点，然后每个词都用3个数字进行表示，所以输出为[2,4,3]。