Embedding层必须位于模型最前端，仅接受int32/int64型token ID序列；需先用Tokenizer或TextVectorization分词编码，输入前须统一长度并填充，padding索引0对应向量默认为零，支持mask_zero自动掩码，加载预训练向量需严格对齐词表与维度。
Embedding层必须放在模型最前面，且输入只能是整数序列
TensorFlow 的 tf.keras.layers.Embedding 不接受原始文本或浮点数，只认 int32 或 int64 类型的 token ID 序列。如果你直接把字符串或 one-hot 向量喂进去，会报错 ValueError: Input 0 of layer embedding is incompatible with the layer。
常见做法是先用 tf.keras.preprocessing.text.Tokenizer 或 tf.keras.layers.TextVectorization 做分词和编码：
-
Tokenizer需手动调用fit_on_texts()再texts_to_sequences()，适合离线预处理 -
TextVectorization可作为模型第一层嵌入，支持adapt()自动构建词表，更适合端到端训练
注意：Embedding 层的 input_dim 必须 ≥ 词汇表大小（含 padding 和 OOV），否则索引越界；output_dim 是向量维度，通常设为 50–300，太小表达力不足，太大易过拟合。
padding长度不一致会导致Embedding输出shape错误
Embedding 层本身不做序列对齐，它只把每个整数映射成一个向量。如果输入 batch 中各条样本长度不同（比如 [1, 5, 3] 和 [2, 8, 9, 4, 7]），直接送进去会报 ValueError: Input tensors must have the same shape。
立即学习“Python免费学习笔记（深入）”；
必须在 Embedding 前统一长度：
- 用
tf.keras.preprocessing.sequence.pad_sequences()批量填充或截断 - 用
TextVectorization的output_sequence_length参数自动 pad - 自定义
tf.data.Datasetpipeline 时，用padded_batch()并指定padding_values
填充符默认是 0，所以 Embedding 的第 0 行（input_dim=0 对应位置）通常代表 padding 向量——你可以在初始化时设 mask_zero=True，这样后续的 LSTM/Attention 会自动忽略它。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
加载预训练词向量（如GloVe）要小心维度和词表对齐
直接用 weights=[embedding_matrix] 初始化 Embedding 层时，常见坑有三个：
- 词表顺序必须和
Tokenizer.word_index完全一致，否则“苹果”被映射成“香蕉”的向量 -
embedding_matrix第 0 行必须是 padding 向量（全零），因为索引 0 被保留给 padding - GloVe 维度（如 100）必须严格等于
Embedding的output_dim，不能靠 reshape 强行匹配
实操建议：用 np.zeros((vocab_size, embed_dim)) 初始化矩阵，遍历 word_index，对每个词查 GloVe 字典，存在就赋值，不存在就保持零向量（或随机初始化）。别忘了把 trainable=False 设为 False 冻结预训练部分，除非你明确想 fine-tune。
在TF 2.x中混用Keras层和tf.function可能触发Embedding变量追踪异常
如果你把 Embedding 层写在自定义训练循环里，并用 @tf.function 包裹 train_step，要注意：Embedding 的权重是 tf.Variable，但它的索引查找操作（tf.nn.embedding_lookup）在图模式下对动态 shape 敏感。
典型报错：OperatorNotAllowedInGraphError: iterating over `tf.Tensor` is not allowed，往往是因为输入序列长度没固定，或用了 Python list 拼接 token IDs。
解决办法：
- 确保输入
tf.Tensor的shape[1]（时间步）是确定的（None 仅允许在 batch 维） - 避免在
@tf.function内部做for i in range(x.shape[0])这类隐式迭代 - 调试时先关掉
@tf.function，确认逻辑正确后再加回来
Embedding 层看着简单，但它卡在数据预处理、形状传播、变量生命周期三者的交界上——任何一个环节的松动，都会让整个链路静默失败，而不是抛出清晰错误。
