Keras的Embedding层要求输入为固定长度整数张量，必须预先用pad_sequences对齐；需指定padding='post'、truncating='post'，input_length须与maxlen一致，并设mask_zero=True确保ID=0仅作填充。
Embedding层本身不支持可变长输入，必须先对齐
Keras的Embedding层只接受固定形状的整数张量（batch_size, sequence_length），它不会自动截断或补零。如果你直接把长度不一的列表（比如[[1,2], [3,4,5,6,7]]）喂给它，会报错ValueError: Input 0 of layer embedding is incompatible with the layer。所以必须在进Embedding之前完成对齐——这不是Embedding的问题，而是它的设计前提。
常见做法是用keras.preprocessing.sequence.pad_sequences做填充，但要注意：它默认在**序列开头**补0（padding='pre'），而很多模型（如LSTM+Masking）更习惯开头有效、末尾补零，所以得显式指定padding='post'；否则后续接Masking层时可能掩掉真实token。
- 补零位置影响
Masking行为：若用mask_zero=True，只有值为0的位置被掩蔽，且仅当0出现在序列**开头或中间**才生效（末尾补零也OK，但需确认模型是否跳过） - 补零值必须是0：因为
Embedding层中索引0通常被保留作padding token，input_dim要设为vocab_size + 1，且词表映射里别把0分给真实词 - 最大长度选太大会浪费显存，选太小会丢数据；建议用
np.percentile(lengths, 95)估算合理maxlen
pad_sequences的三个关键参数不能乱设
pad_sequences看着简单，但maxlen、padding、truncating三者组合直接影响Embedding输入质量。例如：truncating='pre'会砍掉句首词，对情感分析这种依赖开头的场景很危险；而truncating='post'则更安全。
-
maxlen=None（默认）→ 自动取最长序列长度 → 容易因个别超长样本拉高整体维度，慎用 -
padding='pre'vs'post'：和RNN方向有关。如果用return_sequences=False的LSTM，通常无所谓；但加了Attention或Transformer层，位置编码依赖绝对序号，“post”填充更利于对齐 -
value参数可改补零值，但改了就无法配合mask_zero=True，除非你自己写tf.keras.layers.Masking并指定mask_value
示例：
from tensorflow.keras.preprocessing.sequence import pad_sequences<br>sequences = [[1, 2, 3], [4, 5], [6, 7, 8, 9, 10]]<br>padded = pad_sequences(sequences, maxlen=6, padding='post', truncating='post', value=0)
结果是
[[1,2,3,0,0,0], [4,5,0,0,0,0], [6,7,8,9,10,0]] —— 所有序列末尾补零至长度6，超长则从末尾截断。
Embedding层的input_length必须和pad后长度一致
定义Embedding层时，input_length参数不是“期望输入长度”，而是**强制要求输入张量的第2维必须等于它**。如果你pad_sequences出形状为(None, 128)的数据，但Embedding(input_length=64)，就会报错Input 0 is incompatible with layer embedding: expected shape=(None, 64)。
立即学习“Python免费学习笔记（深入）”；
- 这个值必须硬编码成你调用
pad_sequences时设定的maxlen，不能靠数据推断 - 如果想动态适配不同
maxlen（比如训练/预测用不同长度），就得重建模型或用None占位再reshape，不推荐 - 使用
mask_zero=True时，确保词表里没把ID 0分配给任何实际词汇，否则那个词会被误掩蔽
正确写法：
model = Sequential([<br> Embedding(input_dim=vocab_size + 1, output_dim=100, input_length=128, mask_zero=True),<br> LSTM(64),<br> Dense(1, activation='sigmoid')<br>])
验证padding是否生效：检查嵌入输出的前几行
最容易忽略的是——你以为pad好了，其实embedding输出里还藏着全零向量（对应padding位置），但没被mask掉，导致LSTM状态被无效输入污染。验证方法很简单：在模型里加一层tf.print或用model.predict抽样看输出。
- 对一个全零序列
[0,0,0]做embedding，若mask_zero=True，该位置输出应为全零向量（或被后续Masking层设为0）；否则就是embedding把0当成真实词查表了 - 打印
model.layers[0].get_weights()[0][0]，确认第0行（即ID=0对应的向量）是不是接近全零——如果不是，说明你没设mask_zero=True，或初始化方式覆盖了它 - 如果用了
Masking层，注意它只作用于**后续层**，Embedding层自己的输出仍含padding向量，只是后面层会忽略
复杂点在于：padding、masking、sequence masking三者在不同Keras版本中行为略有差异，尤其是TF 2.10+之后mask_zero在Embedding中更严格，但tf.keras.layers.Masking反而需要手动传mask。别假设它“应该工作”，一定实测。
