weight的几种形式embedding层参数
    嵌入层（Embedding Layer）是深度学习模型中常用的一种层，主要用于将低维度的输入数据映射到高维度的向量空间中。嵌入层的参数主要包括以下几个方面：
    1、嵌入维度（Embedding Dimension）：嵌入维度是指每个输入样本被映射到的向量空间的维度。一般来说，嵌入维度越高，表示输入样本的语义信息越丰富，但同时也会增加模型的参数数量和计算复杂度。
    2、权重共享（Weight Sharing）：在深度学习中，常常需要对多个不同的输入数据进行嵌入，这时可以采用权重共享的方式，将不同的输入数据的嵌入向量共享一组权重参数，以减少模型参数数量。
    3、偏置项（Bias Term）：嵌入层通常会添加一个偏置项，用于对嵌入向量进行平移，以更好地适应不同的任务需求。
    4、初始化方式（Initialization Method）：嵌入层的权重参数需要进行初始化，常用的初始化方式包括随机初始化、正态分布初始化、均匀分布初始化等。不同的初始化方式会对模型的
训练效果和收敛速度产生影响。
    5、正则化（Regularization）：为了防止过拟合，可以对嵌入层进行正则化，例如添加L2正则化项、dropout等。
    需要注意的是，嵌入层的参数设置应该根据具体的任务需求和数据特点来进行选择。在实际应用中，可以通过实验和调参来确定最优的参数设置。