torch.nn.Embedding(num_embeddings, embedding_dim, padding_idx=None, max_norm=None, norm_type=2.0, scale_grad_by_freq=False, sparse=False, _weight=None)
參數解釋：
- num_embeddings (python:int) – 詞典的大小尺寸，比如總共出現5000個詞，那就輸入5000。此時index為（0-4999）
- embedding_dim (python:int) – 嵌入向量的維度，即用多少維來表示一個符號。
- padding_idx (python:int, optional) – 填充id，比如，輸入長度為100，但是每次的句子長度並不一樣，后面就需要用統一的數字填充，而這里就是指定這個數字，這樣，網絡在遇到填充id時，就不會計算其與其它符號的相關性。（初始化為0）
- max_norm (python:float, optional) – 最大范數，如果嵌入向量的范數超過了這個界限，就要進行再歸一化。
- norm_type (python:float, optional) – 指定利用什么范數計算，並用於對比max_norm，默認為2范數。
- scale_grad_by_freq (boolean, optional) – 根據單詞在mini-batch中出現的頻率，對梯度進行放縮。默認為False
nn.Embedding()就是隨機初始化了一個num_embeddings*embedding_dim的二維表，每一行代表着對應索引的詞向量表示。加入我們要得到一句話的初始化詞向量，我們需要將
句子進行分詞，得到每一個詞的索引，將索引送入nn.embedding()函數中，會自動在建立的二維表中找到索引對應的初始化詞向量。
nn.Embedding()的輸入是(batch_size,seq_len) 輸出是（batch_size,seq_len,embedding)
這個函數實質上是將索引轉成one-hot向量，之后再與權重矩陣W相乘進行運算，再反向傳播過程中，不斷更新權重W，使得詞向量能更准確的表示這個詞。
參考連接：https://www.jianshu.com/p/63e7acc5e890