在这个代码片段中，TokenEmbedding 类继承了 torch.nn.Embedding 类，并在 __init__ 方法中通过调用 super(TokenEmbedding, self).__init__(vocab_size, d_model, padding_idx=1) 来初始化父类 nn.Embedding。由于 TokenEmbedding 没有定义新的方法，默认情况下它会使用 nn.Embedding 的行为来提供返回值。
nn.Embedding 的行为
nn.Embedding 是一个嵌入层，用于将词汇表中的单词映射为稠密的向量表示。它的作用是查找输入索引对应的嵌入向量，具体步骤如下：
- 当你传入词汇的索引（整数）时，它会从权重矩阵中查找对应的嵌入向量。
- 它不需要定义一个显式的
forward方法，因为调用nn.Embedding实例时，自动会执行这个查找操作。
使用方式
-
实例化
TokenEmbedding：实例化时会初始化一个嵌入矩阵，矩阵的维度是vocab_size x d_model，其中vocab_size是词汇表的大小，d_model是每个单词的向量维度。 -
调用实例：传入单词索引（整数序列），实例会返回对应的嵌入向量。
示例：
python
import torch
import torch.nn as nn
class TokenEmbedding(nn.Embedding):
def __init__(self, vocab_size, d_model):
super(TokenEmbedding, self).__init__(vocab_size, d_model, padding_idx=1)
# 假设词汇表大小为 100，嵌入维度为 64
vocab_size = 100
d_model = 64
# 实例化 TokenEmbedding
embedding_layer = TokenEmbedding(vocab_size, d_model)
# 创建输入张量，表示单词的索引
input_indices = torch.LongTensor([2, 5, 10])
# 调用实例，将词汇索引转换为嵌入向量
output = embedding_layer(input_indices)
print(output.shape) # 输出形状为 (3, 64)，因为输入中有 3 个单词，每个单词的嵌入向量是 64 维解释：
vocab_size: 词汇表的大小，即可以表示多少个不同的单词。d_model: 每个单词的嵌入向量的维度。padding_idx=1: 用于指定填充标记的索引，通常是为了忽略填充标记在训练中的影响。
在这个类中，TokenEmbedding 类实际上没有显式返回值的方法，但是通过调用 __call__ 方法（继承自 nn.Embedding），它会查找并返回对应的嵌入向量。