torch.nn包下的Embedding，作為訓練的壹層，隨模型訓練得到適合的詞向量。
實際上，上面通過隨機初始化建立了詞向量層後，建立了壹個“二維表”，存儲了詞典中每個詞的詞向量。每個mini-batch的訓練，都要從詞向量表找到mini-batch對應的單詞的詞向量作為RNN的輸入放進網絡。那麽怎麽把mini-batch中的每個句子的所有單詞的詞向量找出來放進網絡呢， 輸入是什麽樣子，輸出是什麽樣子？
首先我們知道肯定先要建立壹個詞典，建立詞典的時候都會建立壹個dict：word2id：存儲單詞到詞典序號的映射。假設壹個mini-batch如下所示：
顯然，這個mini-batch有3個句子，即batch_size=3
第壹步首先要做的是：將句子標準化，所謂標準化，指的是：大寫轉小寫，標點分離，這部分很簡單就略過。經處理後，mini-batch變為：
可見，這個list的元素成了壹個個list。還要做壹步：將上面的三個list按單詞數從多到少排列。標點也算單詞。至於為什麽，後面會說到。
那就變成了：
可見，每個句子的長度，即每個內層list的元素數為：5,5,4。這個長度也要記錄。
之後，為了能夠處理，將batch的單詞表示轉為在詞典中的index序號，這就是word2id的作用。轉換過程很簡單，假設轉換之後的結果如下所示，當然這些序號是我編的。
同時，每個句子結尾要加EOS，假設EOS在詞典中的index是1。
那麽長度要更新：
很顯然，這個mini-batch中的句子長度不壹致。所以為了規整的處理，對長度不足的句子，進行填充。填充PAD假設序號是2，填充之後為：
這樣就可以直接取詞向量訓練了嗎?
不能。上面batch有3個樣例，RNN的每壹步要輸入每個樣例的壹個單詞，壹次輸入batch_size個樣例，所以batch要按list外層是時間步數(即序列長度)，list內層是batch_size排列。即batch的維度應該是：
怎麽變換呢？
變換方法可以是：使用itertools模塊的zip_longest函數。而且，使用這個函數，連填充這壹步都可以省略，因為這個函數可以實現填充。
經變換，結果應該是：
batch還要轉成LongTensor：
這裏的batch就是詞向量層的輸入。
詞向量層的輸出是什麽樣的？
好了，現在使用建立了的embedding直接通過batch取詞向量了，如：
假設詞向量維度是6，結果是：
維度的前兩維和前面講的是壹致的。可見多了壹個第三維，這就是詞向量維度。所以，Embedding層的輸出是：