Embedding 层——从 ID 到向量的第一步-尧图网络科技

第四篇：Embedding 层——从 ID 到向量的第一步

系列文章：

第一篇：预训练模型——站在巨人的肩膀上

第二篇：分词——文字如何变成数字

第三篇：向量与矩阵——理解一切的基石

📖 本文目录

开篇
ID 的问题：数字的大小没有意义
查表操作：Embedding 的本质
代码验证：在 PyTorch 中看到 Embedding
这些向量是怎么来的？
一个关键限制：此时向量还是"孤立的"
Embedding 层的物理意义与参数量
解决孤立信息的两种机制
一个小实验：动手查看 Embedding 输出
参考资源
本篇小结

开篇

经过分词，我们得到了一串数字 ID：[101, 2769, 4263, 1962, ...]。但这些 ID 本身毫无意义——“2769"这个数字比"2768"大，并不代表任何语义上的"更多"或"更强”。

模型需要把这些孤立的 ID 变成富含语义的向量。这一步，就是Embedding（嵌入）层。

一句话总结：Embedding 层就是一个巨大的查找表，把每个离散的 token ID 映射成一个连续的、稠密的语义向量。这是 NLP 模型将"符号"转化为"数值"的第一步。

ID 的问题：数字的大小没有意义

想象我们给三个词编号：

苹果 → ID=1 香蕉 → ID=2 汽车 → ID=50

在计算机看来，“香蕉”（2）比"苹果"（1）大，但比"汽车"（50）小。这种大小关系毫无语义意义——香蕉不是苹果的两倍，汽车也不是香蕉的 25 倍。如果直接把 ID 作为输入，模型学到的是"数字大小"，而不是"语义关系"。

这就是One-hot 编码——每个词用一个很长的向量表示，向量的维度等于词表大小，只有对应 ID 的那个位置是 1，其余全是 0：

词表有 4 个词： "的" → ID=0 → One-hot: [1, 0, 0, 0] "我" → ID=1 → One-hot: [0, 1, 0, 0] "喜欢" → ID=2 → One-hot: [0, 0, 1, 0] "你" → ID=3 → One-hot: [0, 0, 0, 1]

向量的"1"永远只有一个，而且位置固定，所以叫 One-hot（独热编码）。它解决了 ID 大小没有意义的问题（所有 One-hot 向量两两正交，相似度都是 0），但代价是向量极度稀疏——如果词表有 21,128 个词，每个向量就有 21,128 维，里面只有 1 个 1，其余 21,127 个全是 0，非常浪费。

方案	维度	优点	缺点
One-hot 编码	vocab_size（21,128）	简单、无偏	稀疏、维度灾难
Embedding	hidden_size（768）	稠密、可学习、含语义	需要训练得到

Embedding 层不仅把维度从 21,128 压缩到了 768（27 倍压缩），更重要的是它还通过学习让语义相似的词在向量空间中距离更近。这就是所谓的"分布式表示"（Distributed Representation）[1]——语义被分布到多个维度中共同编码。

为什么 One-hot 不可行？

假设词表有 21,128 个词，One-hot 向量的维度就是 21,128。每个向量只有一个位置是 1，其余全是 0。这不仅浪费存储空间，更致命的是：任何两个不同的 One-hot 向量都是正交的，意味着模型无法从 One-hot 编码中学到任何词与词之间的相似性。"苹果"和"香蕉"的相似度与"苹果"和"汽车"的相似度完全一样——都是 0。Embedding 用 768 维稠密向量从根本上解决了这一问题。

查表操作：Embedding 的本质

Embedding 层本质上是一个巨大的查找表：

词表（vocab.txt）就像一个超厚的词典： ID 0: [0.001, -0.002, 0.001, ...] (共768个数) ID 1: [0.005, 0.001, -0.003, ...] ... ID 101: [0.012, -0.008, 0.015, ...] ← [CLS] ID 102: [0.003, 0.007, -0.011, ...] ← [SEP] ... ID 2769: [0.021, -0.015, 0.033, ...] ← "我" ID 4263: [0.113, 0.072, -0.224, ...] ← "喜" ...

说白了就是一个二维数组，形状是[21128, 768]——21128 行，每行 768 个浮点数。每一行就是一个词的向量。所谓的"Embedding 层"，没有任何魔法，就是这么一张表。所谓"查表"，就是根据 ID 去表里取对应的那一行。

查表的数学本质

简单说：Embedding 就是一个二维数组，查表就是按下标取行。

Embedding 矩阵 W（4行 x 3列）： dim0 dim1 dim2 ID 0: [ 0.1, 0.2, -0.1 ] ← "的" ID 1: [ 0.5, 0.3, 0.2 ] ← "我" ID 2: [-0.2, 0.7, 0.4 ] ← "喜欢" ID 3: [ 0.3, -0.1, 0.8 ] ← "你" 输入 ID=1 → W[1] → [0.5, 0.3, 0.2] ✅

没有任何魔法，和你写arr[1]取数组第 1 个元素完全一样，只不过这里取的是一整行（一个 768 维的向量）。

实际 PyTorch 代码：

embedding=nn.Embedding(num_embeddings=4,embedding_dim=3)input_ids=torch.tensor([1])# 要查 ID=1result=embedding(input_ids)# 内部就是 embedding.weight[1]# 输出: [[0.5, 0.3, 0.2]]

补充：从数学角度看，这个操作等价于 One-hot 向量乘以矩阵（One-hot 里只有一个 1，乘法结果刚好等于那一行）。但实际实现不会真的去做乘法，因为 One-hot 太长了（21128 维全是 0），直接用索引取行快得多。

查表过程可视化： 输入IDs: 101 2769 4263 1962 ... 102 ↓ ↓ ↓ ↓ ↓ 查词表 → 拿到对应的 768 维向量 ↓ ↓ ↓ ↓ ↓ [0.012] [0.021] [0.113] [-0.040] ... [0.003] [-0.008] [-0.015] [0.072] [0.018] ... [0.007] [0.015] [0.033] [-0.224][0.092] ... [-0.011] ... ... ... ... ... ... (768行) (768行) (768行) (768行) (768行) 结果是一个矩阵：形状 [9, 768] 9 = 序列长度（token个数） 768 = 每个向量的维度

对比：查表 vs 矩阵乘法

从数学上看，Embedding 等价于一个nn.Linear(21128, 768)层对 One-hot 向量做矩阵乘法——但没人真这么做，因为 One-hot 太长太稀疏，直接查表快得多。

代码验证：在 PyTorch 中看到 Embedding

importtorchimporttorch.nnasnn# 模拟一个迷你 Embedding 层：词表=100，向量维度=768embedding_layer=nn.Embedding(num_embeddings=100,embedding_dim=768)# 输入：3个token IDinput_ids=torch.tensor([[1,5,23]])# shape: [1, 3]# 查表output=embedding_layer(input_ids)print(output.shape)# torch.Size([1, 3, 768])# 查看第1个token的向量print(output[0,0,:5])# 前5个维度# tensor([-0.0231, 0.0158, -0.0412, 0.0325, -0.0107], grad_fn=<SliceBackward0>)

在真实 BERT 模型中：

# 在模型内部，这一行代码完成了查表embedding_output=model.bert.embeddings.word_embeddings(input_ids)print(embedding_output.shape)# torch.Size([1, 9, 768])

加上 batch 维度后，数据的实际形状是[1, 9, 768]——前面的 1 是 batch_size（一次输入一个句子）。

这些向量是怎么来的？

这是初学者最常问的问题：这些向量里的数字是谁定的？

答案是：训练出来的。

初始化：训练前都是随机数

一开始（训练前），词表里所有向量都是随机数：

ID 2769 ("我"): [0.023, -0.015, 0.041, -0.032, ...] ← 随机 ID 4263 ("喜"): [-0.031, 0.018, -0.052, 0.045, ...] ← 随机

MLM 训练：完形填空驱动学习

在预训练过程中，模型通过完形填空（Masked Language Model, MLM）任务不断调整这些数字：

训练目标：预测 "[MASK] 喜欢人工智能" 中 [MASK] 位置是 "我" 每步训练循环： ① 随机 mask 掉句子中的 15% 的 token ② 前向传播 → 模型预测被 mask 掉的词 ③ 算交叉熵损失（预测越错，损失越大） ④ 反向传播 → 计算 Embedding 层每个维度的梯度 ⑤ 梯度下降 → 微调向量数值 ⑥ 重复数百万步...

训练后的语义空间

MLM 任务最早由 BERT 论文 [2] 提出，是预训练的核心机制。模型通过数亿次这样的"完形填空"练习，学会了把语义相似的字映射到向量空间中相近的位置。

训练结束后，"我"和"我们"的向量会很接近（语义相似），“我"和"苹果"的向量会相距较远。语义相似度被编码在了向量的几何距离中。这个性质被称为"语义空间的线性结构”——经典的例子是v("king") - v("man") + v("woman") ≈ v("queen")[1]。

一个关键限制：此时向量还是"孤立的"

在 Embedding 之后，每个字的向量是独立的：

"行"（银行）的向量 = [0.012, -0.008, 0.015, ...] "行"（行走）的向量 = [0.012, -0.008, 0.015, ...] ↑ 完全一样！

同一个字，在不同语境下含义不同，但 Embedding 层的输出是一样的。模型此时还不知道上下文——它只看到了孤立的字，没有看到字与字之间的关系。

Embedding 层的定位：它解决的是"符号 → 数值"的映射问题，不是"语境理解"问题。后者将由后续的 Transformer 层（自注意力机制）来解决。

Embedding 层的物理意义与参数量

参数	数值	说明
词表大小	21,128	覆盖几乎所有常用汉字 + 特殊标记
向量维度	768	每个字的语义编码长度
参数量	21,128 × 768 =16,226,304	约 1623 万参数
占模型总量	约15%	BERT base 共 1.1 亿参数

Embedding 层是 BERT 中除了 FFN 之外参数量最大的单层。它的 1623 万参数通过预训练学来了每个汉字的基础语义表示——但这只是"基础"，真正的"理解"发生在后续的 12 层 Transformer 中。

解决孤立信息的两种机制

后续的 Transformer 层提供了两种机制来解决"孤立"问题：

机制	解决的问题	方法	对应文章
位置编码	字在句子中的顺序	Token向量 + 位置向量	下一篇
自注意力	字与字之间的语义关系	QKV 交互 + 加权融合	第 6-8 篇

类比：Embedding 就像给了每个演员一张角色照——但这张照片是定妆照，和你演对手戏的演员是谁、剧情发展到第几幕都没有关系。真正的"表演"（上下文理解）要从注意力机制开始。

一个小实验：动手查看 Embedding 输出

fromtransformersimportAutoModel,AutoTokenizerimporttorch tokenizer=AutoTokenizer.from_pretrained("bert-base-chinese")model=AutoModel.from_pretrained("bert-base-chinese")text="我喜欢人工智能"inputs=tokenizer(text,return_tensors="pt")# 手动获取 Embedding 层的输出withtorch.no_grad():embedding_output=model.bert.embeddings.word_embeddings(inputs["input_ids"])print(embedding_output.shape)# torch.Size([1, 9, 768])# 查看不同字的向量是否不同print("[CLS] 前3维:",embedding_output[0,0,:3])print(" '我' 前3维:",embedding_output[0,1,:3])print(" '喜' 前3维:",embedding_output[0,2,:3])# 计算"我"和"喜"的余弦相似度cos=torch.nn.CosineSimilarity(dim=0)sim=cos(embedding_output[0,1],embedding_output[0,2])print(f"'我'和'喜'的余弦相似度:{sim:.4f}")# 此时它们还没有上下文信息——但即使这样，预训练已经让# 常一起出现的字向量更接近了。

注意：Embedding 层的输出只是"原始原料"。真正的语义理解在后面的 Transformer Block 中完成。

参考资源

[1] Mikolov et al., “Efficient Estimation of Word Representations in Vector Space”, 2013. arXiv:1301.3781
[2] Devlin et al., “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding”, 2019. NAACL 2019
[3] PyTorch Embedding 官方文档. nn.Embedding
[4] Hugging Face Transformers 文档. BERT 模型