Python 如何解释word2vec权重的形状？

我试图使用word2vec模型中的权重作为keras中神经网络嵌入层的权重。我下面介绍的应用程序：

word_model = gensim.models.Word2Vec(sentences, size=100, min_count=1, 
                                window=5, iter=100)
pretrained_weights = word_model.wv.syn0
keras_model.add(Embedding(input_dim=vocab_size, output_dim=emdedding_size, 
                weights=[pretrained_weights]))

我知道word2vec为每个单词创建向量，在本例中大小为100

pretrained_weights.shape

返回（1350100），但我不确定1350数字的含义

keras_model.predict（np.array（[word_model.wv.vocab['test'].index]））

返回一个大小为1350的向量，我不确定如何解释（模型训练的响应是大小为7200的向量）

---

我可以运行示例代码并获得很好的结果，但我想知道它为什么有效。

您已经给出了答案。每个单词都被嵌入到大小为100的固定向量中。在你的例子中，1350是词汇量的大小。至少这是

嵌入层所期望的。该矩阵的每一行（13501000）对应一个单词。
Embedding
层只对给定的单词索引
i
加权[i]

，并返回行

---

当你预测模型的输出时，一个单词可能是你词汇表中1350个单词中的一个，因此你得到一个1350大小的向量，很可能是softmax的概率分布，告诉你它可能是哪个单词。

尽管文本中有3500多个独特的单词。它只是为1350个单词做向量吗？我刚刚意识到我看到的结果是错误的。模型训练的文本只有1350个单词，所以这个结果是有意义的。