一文看懂Embedding：用代码给大家讲清这个核心概念

今天我们要聊一个AI领域的关键技术——Embedding（嵌入）。不要被术语吓到，接下来我会用最直观的方式，配合代码示例，让你彻底明白它是什么！

什么是Embedding？

简单来说，Embedding就是把文字、图片或其他数据转换成数字的形式，让计算机能够理解和处理。就像我们给每个单词分配一个「数字身份证」，但这个身份证不是简单的编号，而是包含丰富信息的「多维特征向量」。

先举一个生动的栗子
想象一下，我们要给世界上所有食物编码：
汉堡：[-0.2, 0.8, 0.3]
沙拉：[0.5, -0.3, 0.1]
冰淇淋：[0.1, 0.9, -0.4]
数字的正负和大小代表了食物的特征（如甜度、健康程度、温度）。这样计算机就能通过数字计算发现「汉堡和冰淇淋都是高热量食物」。

Embedding就是大模型自己的语言，任何需要跟大模型沟通的文字、图像、视频都需要转换为大模型所能理解的语言：Embedding，它才能处理。处理完成后，它再翻译成人类能理解的文字、图像等。这也是大模型最强大的核心能力之一，多模态处理能力。

重点：代码实战

好，接下来直接上代码，看Embedding如何工作

# 导入必要的库
from sentence_transformers import SentenceTransformer

# 加载模型
model = SentenceTransformer('paraphrase-MiniLM-L6-v2')

# 定义句子列表
sentences = [
    '我喜欢吃苹果',
    '苹果公司9月要发布新手机iPhone 17',
    '今天的天气真好，蓝天白云',
    "香蕉是一种热带水果"
]

# 生成Embedding向量
embeddings = model.encode(sentences)

print("生成的Embedding的向量维度：", embeddings.shape)

# 输出全部
# print("Embedding向量的具体内容：", embeddings)

# 输出上面句子的向量前10维
for i, sentence in enumerate(sentences):
    print(f"'{sentence}': {embeddings[i][:10]} ...")


# 计算句子间的相似度
from sklearn.metrics.pairwise import cosine_similarity

# 计算余弦相似度
similarities = cosine_similarity(embeddings)

print("句子相似度矩阵：")
for i in range(len(sentences)):
    for j in range(len(sentences)):
        if i <= j:  # 避免重复输出
            sim = similarities[i][j]
            print(f"'{sentences[i]}' vs '{sentences[j]}': {sim:.3f}")

输出如下：

生成的Embedding的向量维度： (4, 384)

'我