**利用`Embedding`层学习词嵌入：** 对每个新任务都**学习**一个新的嵌入空间 **学习一个层的权重，这个层就是`Embedding`层**: * `Embedding`层实际上是一种字典查找 * 理解为一个字典，将整数索引（表示特定单词）映射为密集向量  ***** **输入**：二维整数张量，其形状为`(samples, sequence_length)` * 每个元素是一个整数序列。它能够嵌入长度可变的序列 * 一批数据中的所有序列必须具有相同的长度（因为需要将它们打包成一个张量），所以较短的序列应该用　0 填充，较长的序列应该被截断 **返回**：形状为`(samples, sequence_length, embedding_dimensionality)`的三维浮点数张量 * 然后可以用 RNN 层或一维卷积层来处理这个三维张量 ***** **实例化**： * 训练开始：权重（即标记向量的内部字典）是随机的 * 训练过程中：利用反向传播来逐渐调节这些词向量，改变空间结构以便下游模型可以利用 * 训练完成：嵌入空间将会展示大量结构，这种结构专门针对训练模型所要解决的问题