word embedding 的意思是：给出一个文档，文档就是一个单词序列比如 “ A B A C B F G A B A C B F G ABACBFG”, 希望对文档中每个不同的单词都得到一个对应的向量(往往是低维向量)表示。比如，对于这样的“ A B A C B F G A B A C B F G ABACBFG”的一个序列，也许我们最后能得到：A对应的向量为[0.1 0.6 -0.5]，B对应的向量为[-0.2 0.9 0.7] （此处的数值只用于示意）之所以希望把每个单词变成一个向量，目的还是为了方便计算，比如“求单词A的同义词”，就可以通过“求与单词A在cos距离下最相似的向量”来做到。
概念一： iteration： 数据进行一次前向-后向的训练（也就是更新一次参数） batchsize：每次迭代（iteration）训练图片的数量 epoch：1个epoch就是将所有的训练图像全部通过网络训练一次 例如：假如有1280000张图片，batchsize=256，则1个epoch需要1280000/256=5000次iteration 假如它的max-iteration=450000，则共有450000/5000=90个epoch
概念二： 深度学习中经常看到epoch、 iteration和batchsize，下面按自己的理解说说这三个的区别： （1）batchsize：批大小。在深度学习中，一般采用SGD训练，即每次训练在训练集中取batchsize个样本训练； （2）iteration：1个iteration等于使用batchsize个样本训练一次； （3）epoch：1个epoch等于使用训练集中的全部样本训练一次； 举个例子，训练集有1000个样本，batchsize=10，那么： 训练完整个样本集需要： 100次iteration，1次epoch。 epoch和iteration都是指的深度学习中的。
这种方法是先将语料库中的所有词汇汇总得到N个词汇，并将语料库中的每个文档个体生成一个N维的向量, 如果存在某个词，就把这个词对应的维度置1，否则为0。
