nn.Embedding维度的转变（RDCM）

原本代码是:第37行 self.load_embeddings()

应该写成下图中:34行那里self.embedding = nn.Embedding(self.vocab_size, self.embedding_dim)

其中：

1 self.vocab_size 是词汇表的大小，也就是所有可能的单词或标记的数量。例如，如果你有一个包含10,000个唯一单词的词汇表，那么 self.vocab_size 就是10,000。

2 self.embedding_dim 是嵌入向量的维度。例如，如果你设置 self.embedding_dim 为100，那么每个单词将被表示为一个100维的向量。

self.vocab_size = 1000：原本定义的self.vocab_size=1000，但报错“IndexError: index out of range in self”，考虑把它换成50000，就好了

3 维度的转变：传入的x是（32，39），x = self.embedding(x)变成（32，39，100），self.embedding(x).transpose(1, 2)变成（32，100，39），其中32是batchsize，100是inchannel，39是张量的宽度，卷积核在这上面移动，由于卷积核分别是3，4，5，步长都是1，经过卷积变化得到的x分别是（32，100，37），（32，100，36），（32，100，35）较大的卷积核能够捕捉输入数据中更大范围的空间模式或特征，但需要的参数也更多，x = [F.relu(conv(x)) for conv in self.conv]，x变成包含3个张量的列表，x = [F.max_pool1d(c, c.size(-1)).squeeze(dim=-1) for c in x]，对列表中的每个x都进行池化，与卷积类似，都有核，作用对象也都是宽度，以x中的（32，100，37）为例，对37进行最大池化，得到（32，100，1），squeeze(dim=-1)的含义是，如果最后一维的值为1，就去除最后一维，由此x变成了包含3个（32，100）的列表，x = torch.cat(x, dim=1)，x变成（32，300），x = self.fc(self.dropout(x)),fc是一个300，100的线性层，x变成（32，100）