对nn.Embedding的理解以及nn.Embedding不能嵌入单个数值问题

 首先，nn.Embedding(

num_embeddings, embedding_dim

)会生成一个嵌入表，在一些论文中常见的叫法是look up table，就是一个随机的查询表，我们可以理解为一个词典（本质上也类似于词典），键为index，如0-n，值为指定维度的向量，表示初始化的一个随机的embedding，在训练时会更新这个查询表。

nn.Emdedding一般需要两个参数，第一个是num_embeddings，指的是这个查询表中有多少个的向量，或者理解为这个查询词典中有多少个键值对，第二个参数embedding_dim是指每个向量的维度。例如nn.Embedding（

num_embeddings=10, embedding_dim=10

）会生成一个含有10个向量，每个向量为10维的一个查询表，这10个向量的索引为0-9。

在使用中，我们一般会在模型中定义这个一个嵌入层，如test_embd:

test_embd = nn.Embedding(

num_embeddings=10, embedding_dim=10

)

然后再使用，如

test = [0,1,2,2,5]

test_embedding = self.test_embd(torch.LongTensor(test))

可以看到在上面的结果中test列表中两个2得到的向量是相同的

注意，test列表中的数值要在0-9（因为num_embeddings=10）的范围，否则会报错index out of range in self，就和字典或者列表超出索引范围是一样的。

 此外，嵌入的必须是tensor，所以首先要用torch.LongTensor()将test列表转换为tensor。

第二个问题，如果我想嵌入一个数值怎么办，例如test2 = 5，直接使用test_embd(torch.LongTensor(test2))  也是不行的

 我们会发现test_embd(torch.LongTensor(test2)) 这种方法是将查询表中第一个向量（上文中提到的test列表中的0在查询表中的向量）输出了5遍，只有使用test_embd(torch.LongTensor([test2])) 

，即将单个数值先转换为列表，才能输出正确结果。

在实际的模型中，直接使用test_embd(torch.LongTensor(test2))这种方式嵌入单个数值也有可能会直接出现报错 IndexError: index out of range in self