tf.nn.embedding_lookup函数做什么？
tf.nn.embedding_lookup(params, ids, partition_strategy='mod', name=None) 我不明白这个function的责任。 这就像查询表吗？ 这意味着返回对应于每个id（在ID中）的参数？
例如，在skip-gram模型中，如果我们使用tf.nn.embedding_lookup(embeddings, train_inputs) ，那么对于每个train_input它find相应的embedded？
embedding_lookup函数检索params张量的行。 行为类似于在numpy中使用数组索引。 例如
matrix = np.random.random([1024, 64]) # 64-dimensional embeddings ids = np.array([0, 5, 17, 33]) print matrix[ids] # prints a matrix of shape [4, 64]
params论证也可以是张量表，在这种情况下，ID将在张量中分布。 例如给定3 [2,64]张量的列表，默认行为是它们将表示ids：[0,3]，[1,4]，[2,5]。 partition_strategy控制如何在列表中分配ID。 当matrix可能太大而不能保持一块时，分区对于较大规模的问题是有用的。
是的，这个function很难理解，直到你明白了。
最简单的forms就是类似于tf.gather 。 它根据ids指定的索引返回params的元素。
例如（假设你在tf.InteractiveSession() ）
params = tf.constant([10,20,30,40]) ids = tf.constant([0,1,2,3]) print tf.nn.embedding_lookup(params,ids).eval()
会返回[10 20 30 40] ，因为params的第一个元素（索引0）是10 ，params（索引1）的第二个元素是20等等
同样的，
params = tf.constant([10,20,30,40]) ids = tf.constant([1,1,3]) print tf.nn.embedding_lookup(params,ids).eval()
会返回[20 20 40] 。
但embedding_lookup不止这些。 params论证可以是张量的列表 ，而不是单个张量。
params1 = tf.constant([1,2]) params2 = tf.constant([10,20]) ids = tf.constant([2,0,2,1,2,3]) result = tf.nn.embedding_lookup([params1, params2], ids)
在这种情况下，在ids指定的索引根据分区策略对应于张量元素，其中默认分区策略是“mod”。
在“mod”策略中，索引0对应于列表中第一个张量的第一个元素。 索引1对应于第二张量的第一个元素。 索引2对应于第三张量的第一个元素，依此类推。 对于所有索引0..(n-1) ，简单地索引i对应于第（i + 1）张量的第一个元素，假定params是n张量的列表。
现在，索引n不能对应于张量n + 1，因为列表params只包含n张量。 因此，索引n对应于第一张量的第二个元素。 类似地，索引n+1对应于第二张量的第二元素等
所以，在代码中
params1 = tf.constant([1,2]) params2 = tf.constant([10,20]) ids = tf.constant([2,0,2,1,2,3]) result = tf.nn.embedding_lookup([params1, params2], ids)
索引0对应于第一张量的第一个元素：1
索引1对应于第二张量的第一个元素：10
索引2对应于第一张量的第二个元素：2
索引3对应于第二张量的第二元素：20
因此，结果将是：
[ 2 1 2 10 2 20]
另一种看待它的方法是，假设你将张量展平成一维数组，然后你正在执行查找
（例如）Tensor0 = [1,2,3]，Tensor1 = [4,5,6]，Tensor2 = [7,8,9]
平展张量如下[1,4,7,2,5,8,3,6,9]
现在当你做一个[0,3,4,1,7]的查找，它会发生[1,2,5,4,6]
（例如，如果查找值为7，那么我们有3个张量（或3行张量），那么，
7/3 :(提醒1，商数是2）因此Tensor1的第二个元素将被显示，即6
加上Asher Stern的答案， params被解释为一个大的embedded张量的分割 。 它可以是代表完整embedded张量的单张量，也可以是除第一维以外所有形状相同的X张量列表，代表分片embedded张量。
函数tf.nn.embedding_lookup考虑到embedded（params）会很大的事实。 所以我们需要partition_strategy 。
