1. Embedding 层语法
keras.layers.Embedding(input_dim, output_dim, embeddings_initializer='uniform', embeddings_regularizer=None, activity_regularizer=None, embeddings_constraint=None, mask_zero=False, input_length=None)
将正整数（索引值）转换为固定尺寸的稠密向量。 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。
2. 参数说明
- input_dim: int > 0。词汇表大小， 即，最大整数 index + 1。
- output_dim: int >= 0。词向量的维度。
- embeddings_initializer: embeddings 矩阵的初始化方法 (详见 initializers)。
- embeddings_regularizer: embeddings matrix 的正则化方法 (详见 regularizer)。
- embeddings_constraint: embeddings matrix 的约束函数 (详见 constraints)。
- mask_zero: 是否把 0 看作为一个应该被遮蔽的特殊的 "padding" 值。 这对于可变长的 循环神经网络层 十分有用。 如果设定为 True，那么接下来的所有层都必须支持 masking，否则就会抛出异常。 如果 mask_zero 为 True，作为结果，索引 0 就不能被用于词汇表中 （input_dim 应该与 vocabulary + 1 大小相同）。
- input_length: 输入序列的长度，当它是固定的时。 如果你需要连接 Flatten 和 Dense 层，则这个参数是必须的 （没有它，dense 层的输出尺寸就无法计算）。
标记红色的是比较重要的参数，一般来说是需要具体赋值的。
3. 输入尺寸
尺寸为 (batch_size, sequence_length) 的 2D 张量。
- batch_size：每个批次的字符串数量
- sequence_length：字符串长度，多了截断，少了补0
4. 输出尺寸
尺寸为 (batch_size, sequence_length, output_dim) 的 3D 张量。
- batch_size：每个批次的字符串数量
- sequence_length：字符串长度，多了截断，少了补0
- output_dim：稠密矩阵维度
5. 举例
model = Sequential()
model.add(Embedding(1000, 64, input_length=10))
# 模型将输入一个大小为 (batch, input_length) 的整数矩阵。
# 输入中最大的整数（即词索引）不应该大于 999 （词汇表大小）
# 64 表示稠密矩阵的维度
# input_length=10 表示字符串长度
# 现在 model.output_shape == (None, 10, 64)，其中 None 是 batch 的维度。
input_array = np.random.randint(1000, size=(32, 10))
# 新建一个输入数据
# 32 表示字符串数量
# 10 表示字符串长度
# 整体都是一些小于1000的整数表示，每一个数字对应于一个单词
model.compile('rmsprop', 'mse')
output_array = model.predict(input_array)
assert output_array.shape == (32, 10, 64)
# 没有提示错误，说明维度输出是正确的
# 32 表示字符串数量
# 10 表示字符串长度
# 64 表示稠密绝阵的维度