使用embedding_lookup()函数实现word2vec词向量训练

word2vec是一种用于生成词向量的神经网络模型，它能够将每个单词表示为一个定长的向量。

在TensorFlow中，可以使用embedding_lookup()函数来实现word2vec词向量的训练。这个函数会根据给定的索引返回对应的嵌入向量。

首先，我们需要定义一个词汇表，将每个单词映射到一个 的整数索引。假设我们有一个包含10000个单词的词汇表，其中每个单词被映射到0到9999之间的一个整数。

import tensorflow as tf

# 定义词汇表大小和词向量维度
vocab_size = 10000
embedding_dim = 100

# 定义词向量矩阵
embedding_matrix = tf.Variable(tf.random.uniform([vocab_size, embedding_dim]))

# 定义输入数据
input_indices = tf.constant([1, 5, 7, 3, 2, 6, 4])

# 使用embedding_lookup函数查找嵌入向量
embeddings = tf.nn.embedding_lookup(embedding_matrix, input_indices)

# 创建会话并初始化变量
sess = tf.Session()
sess.run(tf.global_variables_initializer())

# 打印嵌入向量
print(sess.run(embeddings))

在上面的代码中，我们首先定义了词汇表的大小和词向量的维度。然后，创建了一个随机初始化的词向量矩阵。接下来，定义了输入数据，其中input_indices是一个包含了7个整数的张量，这些整数表示在词汇表中的索引。最后，使用embedding_lookup()函数查找输入数据对应的嵌入向量。

当我们运行这段代码时，会得到一个形状为(7, 100)的张量，其中每一行表示一个单词对应的词向量。

通过word2vec训练的词向量可以在自然语言处理任务中发挥重要作用，例如语义相似度计算、命名实体识别等。在实际应用中，我们可以通过更大的词汇表和更大的词向量维度来训练更准确的词向量模型，并将其应用到具体的任务中去。