tf.keras.layers.Embedding

tf.keras.layers.Embedding 是 Keras 中提供的一个用于将离散的整数序列转换为密集向量的层。它通常用于自然语言处理任务中，例如文本分类和语言模型等。

Embedding层的输入是一个整数张量，输出是一个二维浮点数张量，它将每个整数编码为固定的向量。这些向量可以在模型的后续层中进行处理，例如 Dense 层进行分类或者 RNN 层进行序列处理。

Embedding 层的参数主要有以下几个：

- input_dim：表示词汇表大小，即最大的整数 index+1。
- output_dim：表示嵌入向量的维度。
- input_length：表示输入序列的长度，即一次输入的整数序列的长度。

下面是一个简单的使用 Embedding 层的例子：

import tensorflow as tf

# 定义一个模型
model = tf.keras.Sequential([
    tf.keras.layers.Embedding(input_dim=1000, output_dim=64, input_length=10),
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(units=1, activation='sigmoid')
])

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 打印模型结构
print(model.summary())

在这个例子中，我们定义了一个包含一个 Embedding 层、一个 Flatten 层和一个 Dense 层的简单模型。其中 Embedding 层的输入是一个长度为 10 的整数序列，输入维度是 1000，输出维度是 64。在模型的最后一层，我们使用 sigmoid 激活函数进行二分类。