摘要：
火炬nn。嵌入存储num_嵌入*嵌入_ dim的矩阵，以单词向量为例，num_嵌入表示单词向量的数量_ dim表示单词向量维数。
torch.nn.Embedding存储的是形如num_embeddings*embedding_dim的矩阵，以词向量为例，num_embeddings表示词向量的个数，embedding_dim表示词向量的维度。
初始化：
它提供了从已知Tensor进行初始化的方法：nn.Embedding.from_pretrained
配合torch.from_numpy可以直接把numpy的array直接转换到Embedding
nn.Embedding.from_pretrained(torch.from_numpy(words_vector.wv.vectors))
取值：
在使用的时候，传入的是索引值张量，取出对应索引的词向量，如下所示
embedding = nn.Embedding(10, 3) print(embedding.weight)
# 根据索引取embedding中的词向量 input = torch.LongTensor([[0,2,4,5],[4,3,2,0]]) embedding(input)
输出如下：
Parameter containing:
tensor([[-0.3226, 0.4114, 1.0047],
[ 0.9196, -1.3295, -1.2954],
[ 1.3443, -0.3448, 0.0851],
[-0.2293, -1.3142, -1.0111],
[-0.9291, 1.2002, -1.6681],
[ 0.5507, 0.2129, 0.7609],
[-0.3079, -1.5352, -0.0675],
[ 0.8036, -0.2572, 0.4783],
[-1.2597, -0.1978, -1.1519],
[-0.7035, -0.0925, 0.1286]], requires_grad=True)
tensor([[[-0.3226, 0.4114, 1.0047],
[ 1.3443, -0.3448, 0.0851],
[-0.9291, 1.2002, -1.6681],
[ 0.5507, 0.2129, 0.7609]],
[[-0.9291, 1.2002, -1.6681],
[-0.2293, -1.3142, -1.0111],
[ 1.3443, -0.3448, 0.0851],
[-0.3226, 0.4114, 1.0047]]], grad_fn=<EmbeddingBackward>)
对于通过gensim构造的词向量，如fastText，可以通过词来获取索引：
i = model.wv.vocab['hello'].index