自然界的数据类型（用于神经网络处理）大致可分为两种，一种是未知相关的数据（如卷积神经网络中处理的二维图片），另一种叫做序列信号（也可以理解为时间轴上的数据）。
比如一段语音，就是一个序列信号，因为它的数据之间有一个时间的先后顺序；再比如聊天记录，它可能并不是一个时间序列，但是我们阅读的时候会有一个先后顺序。这种沿着一个时间序列不停的产生信号的数据我们就称之为序列（信号）。
在深度学习中就有一种网络使用了这种数据处理方式，它就是RNN（循环神经网络，结构如上图），RNN的应用之一就是自然语言处理。在自然语言处理中（拿文本翻译来说），我们总是需要一个单词一个单词的按先后顺序读入，从而产生和翻译结果中一一对应的关系。
现假设某一英文句子有十个单词，每个单词用长度为4的一维向量来表示，那么这个句子就可以用一个shape[10，4]的tensor来表达。
Sequence embedding的一种表示方法为[b,seq_len,feature_len]，其中b代表句子个数，seq_len代表每句话中的单词个数，feature_len代表每个单词表示成数据的长度。
另一种表示方法为[seq_len,b,feature_len]，这种表达方式可以理解为每次在第seq_len时刻（某单词出现的时刻，seq_len进行时间上的滑动处理）有b条信号曲线（波形曲线），每条曲线上对应一个feature_len向量
序列并不限于自然语言处理等直观的含序列关系的数据处理，它也可以用于图像处理，因为图像的像素与像素之间本身就存在一个上下文关系。
序列是从String类型到数据类型的转换，但是数值中存在大小关系，而String句子中往往不存在大小关系而是存在语义关系。那么如何实现一个这样的转换呢（不仅仅是逻辑上的转化还有语义上的转化）？
对于不同的需求，也有不同的处理方式。
比如，如果系统只需要处理一些特定的地点信号（从文本中提取地名），这样的任务就可以通过简单的onehot编码实现，即每一个地名对应一个label，但是这种方式的缺点也是显而易见的——浪费储存空间（onehot编码中大部分都是0，只有一个位置是1）、高维度（日常交流中人的词汇量上万甚至上十万），而优点就是可以保留语义相似度并且可训练，即语义相似的单词之间可以通过概率的方式展示出来，比如，“男性”一词，我们可以训练使得“男人”，“男生”与它进行高相似度匹配，通过onehot处理的结果就是以top概率展示出来。
对于Word embedding，最常见的有两种embadding方式，一种叫Word2Vec，顾名思义，就是将单词转化为向量，另一种叫GloVe（关于它可参考文章：https://blog.csdn.net/u014665013/article/details/79642083）
在tensorflow中提供了一个很简单的层来帮助我们学习语言文字的表示方法，使用过程如下：
import tensorflow as tf from tensorflow import keras x = tf.range(5) x = tf.random.shuffle(x) print(x) net = keras.layers.Embedding(10,4) print(net(x))
可以理解为我们要分析十个地名，每个地名使用长度为4的数据表示