torch.nn包下的Embedding，作为训练的一层，随模型训练得到适合的词向量。
实际上，上面通过随机初始化建立了词向量层后，建立了一个“二维表”，存储了词典中每个词的词向量。每个mini-batch的训练，都要从词向量表找到mini-batch对应的单词的词向量作为RNN的输入放进网络。那么怎么把mini-batch中的每个句子的所有单词的词向量找出来放进网络呢， 输入是什么样子，输出是什么样子？
首先我们知道肯定先要建立一个词典，建立词典的时候都会建立一个dict：word2id：存储单词到词典序号的映射。假设一个mini-batch如下所示：
显然，这个mini-batch有3个句子，即batch_size=3
第一步首先要做的是：将句子标准化，所谓标准化，指的是：大写转小写，标点分离，这部分很简单就略过。经处理后，mini-batch变为：
可见，这个list的元素成了一个个list。还要做一步：将上面的三个list按单词数从多到少排列。标点也算单词。至于为什么，后面会说到。
那就变成了：
可见，每个句子的长度，即每个内层list的元素数为：5,5,4。这个长度也要记录。
之后，为了能够处理，将batch的单词表示转为在词典中的index序号，这就是word2id的作用。转换过程很简单，假设转换之后的结果如下所示，当然这些序号是我编的。
同时，每个句子结尾要加EOS，假设EOS在词典中的index是1。
那么长度要更新：
很显然，这个mini-batch中的句子长度不一致。所以为了规整的处理，对长度不足的句子，进行填充。填充PAD假设序号是2，填充之后为：
这样就可以直接取词向量训练了吗?
不能。上面batch有3个样例，RNN的每一步要输入每个样例的一个单词，一次输入batch_size个样例，所以batch要按list外层是时间步数(即序列长度)，list内层是batch_size排列。即batch的维度应该是：
怎么变换呢？
变换方法可以是：使用itertools模块的zip_longest函数。而且，使用这个函数，连填充这一步都可以省略，因为这个函数可以实现填充。
经变换，结果应该是：
batch还要转成LongTensor：
这里的batch就是词向量层的输入。
词向量层的输出是什么样的？
好了，现在使用建立了的embedding直接通过batch取词向量了，如：
假设词向量维度是6，结果是：
维度的前两维和前面讲的是一致的。可见多了一个第三维，这就是词向量维度。所以，Embedding层的输出是：