在 NLP 模型中，输入的第一步几乎都是同一个操作—把离散的词语变成连续的向量，这个操作就是Embedding Lookup。它看起来简单，但理解它的本质，是读懂 Transformer、GPT、BERT 等一切语言模型的前提。
一、从一个最基本的问题出发
神经网络只能处理数值，不能直接处理"apple"，"banana"这样的文本。那么，怎样把一个词交给神经网络？
最直觉的方案是给每个词分配一个编号（索引），然后通过某种方式，把编号转换成一组浮点数向量——这组向量就是词的embedding，而"通过索引取出向量"这个动作，就是Embedding Lookup。
二、直观理解：Embedding Lookup 在做什么？
假设我们有一个包含 4 个词的词表：
["apple","banana","orange","fruit"] 同时，我们维护一个embedding 矩阵，每一行对应一个词的向量表示：
| 索引 | 词 | embedding 向量 (示例) |
|---|---|---|
| 0 | apple | [0.1, 0.3, 0.5] |
| 1 | banana | [0.2, 0.4, 0.6] |
| 2 | orange | [0.3, 0.5, 0.7] |
| 3 | fruit | [0.0, 0.1, 0.2] |
当模型遇到"banana"时，它不关心这个字符串本身，只关心它的索引111。Embedding Lookup 做的事情就是：拿着索引 1，去矩阵里取第 1 行，返回[0.2,0.4,0.6][0.2, 0.4, 0.6][0.2,0.4,0.6]。
简单说，embedding lookup 就是用词的索引去查 embedding 表，然后返回对应的向量。你可以把 embedding 矩阵想象成一本"词向量字典"—Embedding Lookup 就是翻到某一页，把对应的向量抄出来。
三、形式化定义
3.1 数学视角
设词表大小为VVV，embedding 维度为DDD，则 embedding 矩阵定义为：
E∈RV×D E \in \mathbb{R}^{V \times D}E∈RV×D
对于输入词wiw_iwi（索引为iii），Embedding Lookup 的操作为：
Embedding Lookup(i)=E[i,:]∈RD \text{Embedding Lookup}(i) = E[i,:] \in \mathbb{R}^DEmbedding Lookup(i)=E[i,:]∈RD
以上面的例子为例：
E=[0.10.30.50.20.40.60.30.50.70.00.10.2]∈R4×3 E = \begin{bmatrix} 0.1 & 0.3 & 0.5 \\ 0.2 & 0.4 & 0.6 \\ 0.3 & 0.5 & 0.7 \\ 0.0 & 0.1 & 0.2 \end{bmatrix} \in \mathbb{R}^{4 \times 3}E=0.10.20.30.00.30.40.50.10.50.60.70.2∈R4×3
查找"banana"（索引 1）：
E[1,:]=[0.2,0.4,0.6] E[1,:] = [0.2, 0.4, 0.6]E[1,:]=[0.2,0.4,0.6]
本质上，这就是一次矩阵的行索引操作，没有任何乘法或加法。
虽然前向只是索引，但在反向传播时，梯度会精确回传到被查到的那一行 embedding 向量上，因此 embedding 矩阵可以被逐行高效地学习。
3.2 PyTorch实现
在代码层面，这通常就是一次矩阵索引：
importtorch# 假设词表大小为 4，embedding 维度为 3embedding_matrix=torch.tensor([[0.1,0.3,0.5],[0.2,0.4,0.6],[0.3,0.5,0.7],[0.0,0.1,0.2]])# 输入词索引word_index=torch.tensor([1])# bananaembedding_vector=embedding_matrix[word_index] 输出即为：
[0.2,0.4,0.6]四、Embedding Lookup 与 One-Hot 编码的关系
4.1 从 One-Hot 到 Embedding
在深度学习早期，更常见的做法是：
先将词编码为 one-hot 向量
再通过矩阵乘法映射到低维空间。
以
"banana"为例：
Step 1：构造 one-hot 列向量
x=[0100] \mathbf{x} = \begin{bmatrix} 0 \\ 1 \\ 0 \\ 0 \end{bmatrix}x=0100
Step 2：计算E⊤xE^\top \mathbf{x}E⊤x
E⊤x=[0.10.20.30.00.30.40.50.10.50.60.70.2][0100]=[0.20.40.6] E^\top \mathbf{x} = \begin{bmatrix} 0.1 & 0.2 & 0.3 & 0.0 \\ 0.3 & 0.4 & 0.5 & 0.1 \\ 0.5 & 0.6 & 0.7 & 0.2 \end{bmatrix} \begin{bmatrix} 0 \\ 1 \\ 0 \\ 0 \end{bmatrix} = \begin{bmatrix} 0.2 \\ 0.4 \\ 0.6 \end{bmatrix}E⊤x=0.10.30.50.20.40.60.30.50.70.00.10.20100=0.20.40.6
结果和直接 lookup 完全一致——因为 one-hot 向量中只有一个 1，E⊤xE^\top \mathbf{x}E⊤x实际上就是从E⊤E^\topE⊤中"选出"对应的一列（等价于EEE的对应行）。
- 这是线性代数的基本性质：矩阵右乘一个 one-hot 列向量eie_iei，结果就是取出该矩阵的第iii列。
A,ei=A:,i A , e_i = A_{:,i}A,ei=A:,i
所以 $E^\top e_i$ 取出的是 $E^\top$ 的第 $i$ 列，而 $E^\top$ 的第 $i$ 列就是 $E$ 的第$i$ 行——正好就是第 $i$ 个词的 embedding 向量。4.2 为什么不用 One-Hot？
既然结果等价，为什么要用 Embedding Lookup 替代 one-hot 乘法？看一组对比：
| One-Hot + 矩阵乘法 | Embedding Lookup | |
|---|---|---|
| 空间 | 需构造VVV维稀疏向量 | 仅需一个整数索引 |
| 计算量 | O(V×D)O(V \times D)O(V×D) | O(1)O(1)O(1) |
| 实际操作 | 大量"乘以 0"的无效计算 | 直接定位目标行 |
特别地，当词表规模达到 5 万（GloVe）、3 万（BERT WordPiece）甚至 15 万（GPT-2 BPE）时，为每个 token 构造一个数万维的稀疏向量再做矩阵乘法，显然是不可接受的浪费。Embedding Lookup 是对这一过程的等价简化。
五、 PyTorch 中的nn.Embedding
理解了原理之后，来看实际代码。PyTorch 提供了nn.Embedding模块来封装整个 lookup 过程。
5.1 基本用法
importtorchimporttorch.nnasnn# 创建 embedding 层：词表大小 10000，向量维度 256embed=nn.Embedding(num_embeddings=10000,embedding_dim=256) 这行代码在内部创建了一个 shape 为(10000, 256)的 embedding 矩阵，每一行对应词表中一个词的 256 维向量。
5.2input_ids的含义
在 NLP 中，文本需要先经过分词 + 编码才能输入模型。假设我们有两个句子：
句子 1: "I love deep learning" → 分词后 → ["I", "love", "deep", "learning"] 句子 2: "AI is fun <PAD>" → 分词后 → ["AI", "is", "fun", "<PAD>"] 每个词在词表中有一个唯一索引（由 tokenizer 查表得到），于是两个句子变成两行整数：
# 每个数字是该词在词表中的索引，不是词本身# 一行 = 一个句子，一列 = 一个位置input_ids=torch.tensor([[12,345,6789,0],# "I"=12, "love"=345, "deep"=6789, "learning"=0[42,7,999,3]# "AI"=42, "is"=7, "fun"=999, "<PAD>"=3])# shape: (2, 4) — 2 个句子，每个句子 4 个词5.3 批量Lookup 过程
把input_ids传入 embedding 层，每个整数索引会被替换为对应的 256 维向量：
vectors=embed(input_ids)# shape: (2, 4, 256) shape 变化：(2, 4)→(2, 4, 256)，即(batch_size, seq_len)→(batch_size, seq_len, embed_dim)。
展开来看，这一步等价于：
# 对 input_ids 中的每个索引，分别去 embedding 矩阵查一行vectors[0][0]=embed.weight[12]# "I" 的向量vectors[0][1]=embed.weight[345]# "love" 的向量vectors[0][2]=embed.weight[6789]# "deep" 的向量vectors[0][3]=embed.weight[0]# "learning" 的向量vectors[1][0]=embed.weight[42]# "AI" 的向量# ... 以此类推 本质上就是对每个位置做了一次 Embedding Lookup，只不过nn.Embedding帮我们批量完成了。
5.4 其他实用功能
权重自动初始化：
embed.weight是一个(V, D)的nn.Parameter，创建时随机初始化，训练过程中随模型一起更新。padding_idx：可以指定某个索引为填充符号，其向量始终为零向量且不参与梯度更新：embed=nn.Embedding(num_embeddings=10000,embedding_dim=256,padding_idx=0)# index 0 的向量永远是 [0, 0, ..., 0]，且不会被训练更新加载预训练权重：可以用 Word2Vec、GloVe 等预训练向量初始化 embedding 矩阵：
pretrained_vectors=...# shape: (V, D) 的 Tensorembed=nn.Embedding.from_pretrained(pretrained_vectors,freeze=False)# freeze=False 表示微调时继续更新，freeze=True 则冻结权重
六、Embedding Lookup 在哪里被使用？
Embedding Lookup 不仅仅用于 word embedding，它几乎出现在所有需要将离散 ID 映射为连续向量的场景中：
| 场景 | 输入 | Embedding 矩阵 |
|---|---|---|
| 词嵌入（Word Embedding） | 词/token 的索引 | 词向量矩阵 |
| 位置编码（Positional Embedding） | 位置索引 0, 1, 2, … | 位置向量矩阵 |
| Token Type Embedding（BERT） | 句子类型 0 或 1 | 类型向量矩阵 |
| 推荐系统 | 用户/物品 ID | 用户/物品向量矩阵 |
| 图神经网络 | 节点 ID | 节点特征矩阵 |
在 BERT 中，一个 token 的输入表示就是三次 Embedding Lookup 的结果之和：
hi=Etoken[ti]+Eposition[i]+Esegment[si] \mathbf{h}_i = E_{\text{token}}[t_i] + E_{\text{position}}[i] + E_{\text{segment}}[s_i]hi=Etoken[ti]+Eposition[i]+Esegment[si]
可以理解为：“这个词是什么 + 它在第几个位置 + 它属于哪句话”
七、总结
Embedding Lookup：用索引从 embedding 表中查找向量
是 NLP、推荐系统、GNN 中最基础也最关键的操作
本质是索引，但梯度可以精确回传
是 One-Hot + 矩阵乘法的高效等价形式
理解 Embedding Lookup，等于真正迈进了深度学习处理离散符号的世界。
