代码构建个Encoder，封装下采样过程

在深度学习中，特别是在序列到序列（Seq2Seq）模型中，编码器（Encoder）通常用于处理输入序列并将其转换成一个固定长度的表示，这个过程也被称为"上下文向量化"或"嵌入编码"。在很多自然语言处理任务中，例如机器翻译或文本摘要，编码器通常是一个循环神经网络（RNN）或Transformer结构。

这里，我们用Python和Keras库来创建一个简单的RNN编码器，假设我们正在处理的是字符级别的序列：

import tensorflow as tf
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Embedding, LSTM

# 假设字符集大小是100，最大长度为60，输入序列的每个元素是整数编码的一个字符
vocab_size = 100
max_sequence_length = 60

# 输入层
inputs = Input(shape=(None,), dtype=tf.int32)  # None代表长度可以变化

# 字符嵌入层，将整数编码的字符映射到密集向量
embedding_layer = Embedding(input_dim=vocab_size, output_dim=64, input_length=max_sequence_length)

# 应用嵌入到输入序列上
embedded_sequences = embedding_layer(inputs)

# 使用LSTM作为RNN单元
encoder_lstm = LSTM(units=128, return_state=True)  # units指隐藏状态维度
output, state_h, state_c = encoder_lstm(embedded_sequences)  # state_h和state_c是隐状态

# 编码器的输出不仅仅是最后一个时间步的输出，而是整个序列的隐状态
encoder_states = [state_h, state_c]  # 存储LSTM的状态

# 创建一个函数，返回编码后的隐状态
def create_encoder(inputs):
    encoded_output = encoder_lstm(inputs, initial_state=encoder_states)
    return encoded_output[0]

# 使用Model来封装此函数
encoder_model = Model(inputs, create_encoder(inputs))

在这个例子中，`create_encoder`函数接收输入序列，并通过RNN单元`encoder_lstm`进行编码。编码器的结果是LSTM的最终隐藏状态，它包含了整个序列的信息。