你要是想构建一个大型语言模型，首先得掌握词向量的概念。幸运的是，这个概念很简单，也是本系列文章的一个完美起点。
那么，假设你有一堆单词，它可以只是一个简单的字符串数组。
animals = ["cat", "dog", "rat", "pig"]
你没法直接用单词进行数学运算，所以必须先把它们转换成数字。最简单的方法就是用它们在数组中的索引值。
animal_to_idx = {animal: idx for idx, animal in enumerate(animals)}
animal_to_idx
Output：
当然，等你把数学运算做完，你还需要把索引转换回对应的单词。可以这样做：
idx_to_animal = {idx: animal for animal, idx in animal_to_idx.items()}
idx_to_animal
Output：
用索引来表示单词，在自然语言处理中一般不是个好主意。问题在于，索引会暗示单词之间存在某种顺序关系，而实际上并没有。
比如，我们的数据里，猫和猪之间并没有固有的关系，狗和老鼠之间也没有。但是，使用索引后，看起来猫离猪"很远"，而狗似乎"更接近"老鼠，仅仅因为它们在数组中的位置不同。这些数值上的距离可能会暗示一些实际上并不存在的模式。同样，它们可能会让人误以为这些动物之间存在基于大小或相似度的关系，而这在这里完全没有意义。
一个更好的方法是使用独热编码（one-hot encoding）。独热向量是一个数组，其中只有一个元素是 1（表示"激活"），其他所有元素都是 0。这种表示方式可以完全消除单词之间的错误排序关系。
让我们把单词转换成独热向量：
import numpy as np
n_animals = len(animals)
animal_to_onehot = {}
for idx, animal in enumerate(animals):
one_hot = np.zeros(n_animals, dtype=int)
one_hot[idx] = 1
animal_to_onehot[animal] = one_hot
animal_to_onehot
Output：
{
'cat': array([1, 0, 0, 0]),
'dog': array([0, 1, 0, 0]),
'rat': array([0, 0, 1, 0]),
'pig': array([0, 0, 0, 1])
}
可以看到，现在单词之间没有任何隐含的关系了。
独热编码的缺点是，它是一种非常稀疏的表示，只适用于单词数量较少的情况。想象一下，如果你有 10,000 个单词，每个编码都会有 9,999 个零和一个 1，太浪费内存了，存那么多零干嘛......
**是时候创建更密集的向量表示了。换句话说，我们现在要做词向量（word embeddings）**了。
词向量是一种密集向量（dense vector），其中大多数（甚至所有）值都不是零。在机器学习，尤其是自然语言处理和推荐系统中，密集向量可以用来紧凑而有意义地表示单词（或句子、或其他实体）的特征。更重要的是，它们可以捕捉这些特征之间的有意义关系。
举个例子，我们创建一个词向量，其中每个单词用 2 个特征表示，而总共有 4 个单词。
用 PyTorch 创建词向量非常简单。我们只需要使用 nn.Embedding 层。你可以把它想象成一个查找表，其中行代表每个唯一单词，而列代表该单词的特征（即单词的密集向量）。
import torch
import torch.nn as nn
embedding_layer = nn.Embedding(num_embeddings=4, embedding_dim=2)
好，现在我们把单词的索引转换成词向量。这几乎不费吹灰之力，因为我们只需要把索引传给 nn.Embedding 层就行了。
indices = torch.tensor(np.arange(0, len(animals)))
indices
Output：
tensor([0, 1, 2, 3])
embeddings = embedding_layer(indices)
embeddings
Output：
tensor([[ 1.6950, -2.7905],
[ 2.4086, -0.1779],
[ 0.7402, 0.0955],
[-0.5155, 0.0738]], grad_fn= )
现在，我们可以用索引查看每个单词的词向量了。
for animal, _ in animal_to_idx.items():
print(f"{animal}'s embedding is {embeddings[animal_to_idx[animal]]}")
Output：
cat's embedding is tensor([ 1.6950, -2.7905], grad_fn= )
dog's embedding is tensor([ 2.4086, -0.1779], grad_fn= )
rat's embedding is tensor([0.7402, 0.0955], grad_fn= )
pig's embedding is tensor([-0.5155, 0.0738], grad_fn= )
每个单词都有两个特征------正是我们想要的结果。
目前这些数值没啥实际意义，因为 nn.Embedding 层还没有经过训练。但一旦它被适当地训练了，这些特征就会变得有意义。
注意：
这些特征对模型来说非常关键，但对人类来说可能永远不会"有意义"。它们代表的是通过训练学到的抽象特征。对我们来说，这些特征看起来可能是随机的、毫无意义的，但对一个训练好的模型来说，它们能够捕捉到重要的模式和关系，使其能够有效地理解和处理数据。
在本系列的下一篇文章中，我们将学习如何训练词向量模型。