torch.nn.Embedding 和 one-hot 编码在实现和用途上有所不同，但它们在概念上有相似之处：都是将词汇索引转换为向量表示。然而，one-hot 编码生成的是高维稀疏向量，而 torch.nn.Embedding 生成的是低维稠密向量，并且这些嵌入向量在训练过程中可以学习到词汇之间的语义关系。因此，torch.nn.Embedding 通常比 one-hot 编码更高效和有用。
torch.nn.Embedding 是 PyTorch 提供的一种用于词嵌入的层，将词汇表中的每个词映射到一个固定大小的低维稠密向量空间。这些嵌入向量是可训练的权重，通过训练数据来学习。
特点：
- 低维度稠密向量： 向量的维度是用户定义的（通常比词汇表的大小小很多），使得计算更高效。
- 包含语义信息： 嵌入向量在训练过程中会捕捉词汇之间的语义关系，类似的词汇在向量空间中会靠得更近。
One-hot 编码是一种表示离散型数据的方法，其中每个词汇用一个向量表示，该向量的长度等于词汇表的大小。在这个向量中，只有对应词汇的索引位置为1，其余位置为0。
特点：
- 高维度稀疏向量： 向量的长度等于词汇表的大小，对于大词汇表来说，这种表示非常稀疏且高维。
- 没有语义信息： 不同词汇之间没有任何关系，所有词汇的向量表示在欧几里得空间中都是正交的。