Python 检索序列的字向量并输入模型的最快方法？

为了进行训练，我必须输入单词向量的模型序列。每个序列平均有40个单词。因此，如果我使用预先训练好的单词嵌入词典（如手套），对于每个序列，必须命中嵌入词典大约40次，对于每个批次，大约是

batch\u size*40次。数据集被分成多个批次，整个数据集也必须迭代（历元）几次。所以，你可以想象字典会被点击多少次。
这是我已经做过的方法，它确实花费了很多时间

为了解决这个问题，我尝试制作一个从序列到向量的字典。此字典应包含一个
序列作为键，以及一个2d python列表（每行是一个单词向量）作为键的值。希望是，我只需要寻找序列并得到值。这将大大减少时间，但字典将非常大（我通过在mongodb中保存数据（序列->向量）估计大小，并将其导出，文件为23gb）。23gb大小的字典应该不会有问题，因为我使用的是共享服务器，在那里我可以分配多达100gb的内存。但是程序在加载字典时被杀死。所以这是行不通的

我正在考虑的另一种方法是将单词embedding vector复制到pytorch的nn.embedding（）中

这里的数字是这个词的索引。对于这种方法，pytorch嵌入使用numpy矩阵作为查找表。所以，我关心的是，不是为了执行前面的代码，numpy矩阵上会有7次点击？或者它将被并行检索？即使它并行运行，也应该有另一个字典将单词转换为索引。这也需要在Word2Indicates字典上点击7次

那么，您认为，检索序列的词向量并将其输入模型的最快、最有效的方法是什么？
第二种方法（在pytorch嵌入中复制权重）比使用python字典快10倍。原因是，字典中的向量每次都需要转换为张量，这将花费最多的时间
 我相信PyTorch会做得很有效率。为什么不自己测量时间你可以在ipython中使用。
input = torch.LongTensor([[1,2,4,5],[4,3,2,9]])
embedding(input)`