【StableDiffusion】Embedding 底层原理，Prompt Embedding，嵌入向量

Embedding 是什么？

Embedding 是将自然语言词汇，映射为 固定长度 的词向量 的技术

· 说到这里，需要介绍一下 One-Hot 编码 是什么。

· One-Hot 编码 使用了众多 5000 长度的1维矩阵，每个矩阵代表一个词语。

· 这有坏处，它不仅计算量更大，而且，它是 不可移植的，因为每个词汇表中，每个 One-Hot 矩阵对应的 prompt 都不同。

· Embedding 能够将 One-Hot 编码的高维稀疏向量（矩阵） 转化为 低维连续的向量（矩阵），请看下面的例子

来看看，降维算法能够将这些被 Embedding 转化了的向量在 2维 坐标系上展现成什么样：

很明显，意思越是不相同的词语，他们的向量距离在二维平面上也相距越远

越是意思相近的词语（cat，猫；kitten，小猫），它们的向量在二维平面上的距离越近

而且，有语义关联的一些词语，它们的向量也是有特殊的数学关系的：

Embedding 将 text → vector 的具体过程

1.首先对句子进行处理，将句子切成单独的词语

2.被切的词语以 One-Hot 的编码格式存储

3.让代表你的词语的 One-Hot 编码的矩阵 和 嵌入矩阵（图中的矩阵E） 相乘，得到这句话的嵌入向量。

请注意，“嵌入矩阵”是提前被训练好的，也就是 Embedding 处理器 的本体。

在相乘之后，我们的自然语言句子的向量就从 4x5000的矩阵 → 4x128的矩阵

也就是，从 高维稀疏矩阵 → 低维稠密矩阵

这就是 Embedding 的作用机制！