tensorflow.keras.layers.Embedding

将正整数（索引）转换为固定大小的密集向量。

例如

[[4], [20]] -> [[0.25, 0.1], [0.6, -0.2]]

该层只能用作模型中的第一层。

使用

model.add(tensorflow.keras.layers.Embedding(10000, 16))
# 10000词汇量,每个词用16位向量表示

参数：

• input_dim：int>0。词汇表的大小，即最大整数索引+ 1。
• output_dim：int> =0。密集嵌入的尺寸。
• embeddings_initializer：embeddings矩阵的初始化器。
• embeddings_regularizer：正则化函数应用于embeddings矩阵。
• embeddings_constraint：约束函数应用于embeddings矩阵。
• mask_zero：输入值0是否为应屏蔽的特殊“填充”值。这在使用可能需要可变长度输入的循环图层时很有用。如果是这样，True则该模型中的所有后续层都需要支持屏蔽，否则将引发异常。结果，如果mask_zero设置为True，则无法在词汇表中使用索引0（input_dim应等于词汇表大小+ 1）。
• input_length：输入序列的长度（恒定时）。如果要连接Flatten然后在Dense上游连接图层，则需要此参数 （否则，将无法计算密集输出的形状）。

输入形状：

形状为的2D张量：(batch_size, input_length)。

输出形状：

形状为的3D张量：(batch_size, input_length, output_dim)。

exmaple

model = Sequential()
model.add(Embedding(input_dim=1000, output_dim=64, input_length=10))
# 1000词汇量，每个句子10长度，每个词用64位向量表示

最大的整数（输入中的单词索引不应大于999）。

model.output_shape=（None，10，64），其中None是批处理维度。