这是一个非常好的问题！ PyTorch的嵌入层（Tensorflow也是如此）用作查找表，只是为每个输入（索引）检索嵌入。考虑以下情况，您有一个句子，其中每个单词都被标记。因此，句子中的每个单词都用唯一的整数（索引）表示。如果索引（单词）的列表为[1,5,9]，并且您想使用50维向量（嵌入）对每个单词进行编码，则可以执行以下操作：

# The list of tokens
tokens = torch.tensor([0,9],dtype=torch.long)
# Define an embedding layer,where you know upfront that in total you
# have 10 distinct words,and you want each word to be encoded with
# a 50 dimensional vector
embedding = torch.nn.Embedding(num_embeddings=10,embedding_dim=50)
# Obtain the embeddings for each of the words in the sentence
embedded_words = embedding(tokens)

现在，回答您的问题：

1. 在前进过程中，将以与Numpy的索引工作类似的方式获得句子中每个标记的值。因为在后端，这是一个微分运算，所以在反向遍历（训练）期间，Pytorch将为每个嵌入计算梯度并相应地重新调整它们。

2. 权重是嵌入本身。这就是嵌入矩阵的好处。词嵌入矩阵实际上是权重矩阵，将在训练过程中学习。

3. 本身没有实际功能。如上所述，该句子已经被标记化了（每个单词都由一个唯一的整数表示），我们可以为句子中的每个标记获得嵌入。

最后，正如我多次提到带有索引的示例一样，让我们​​尝试一下。

# Let us assume that we have a pre-trained embedding matrix
pretrained_embeddings = torch.rand(10,50)
# We can initialize our embedding module from the embedding matrix
embedding = torch.nn.Embedding.from_pretrained(pretrained_embeddings)
# Some tokens
tokens = torch.tensor([0,dtype=torch.long)

# Token embeddings from the lookup table
lookup_embeddings = embedding(tokens)
# Token embeddings obtained with indexing
indexing_embeddings = pretrained_embeddings[tokens]
# Voila! They are the same
np.testing.assert_array_equal(lookup_embeddings.numpy(),indexing_embeddings.numpy())

nn.Embedding层可以用作查找表。这意味着，如果您有n个元素的字典，则在创建嵌入时可以通过id调用每个元素。

在这种情况下，字典的大小为num_embeddings，而embedding_dim为1。

在这种情况下，您没有什么要学习的。您可能会说，您只是为字典的元素建立索引，或者对它们进行编码。因此，在这种情况下，无需进行前向通过分析。

如果您使用过Word2vec之类的单词嵌入，则可能已经使用过。

另一方面，您可以将嵌入层用于分类变量（一般情况下具有此功能）。在其中，您可以将嵌入维度embedding_dim设置为您可能拥有的类别数。

在这种情况下，您将从随机初始化的嵌入层开始，然后学习向前的类别（功能）。