keras понимает Слой встраивания Word

Со страницы я получил следующий код:

from numpy import array
from keras.preprocessing.text import one_hot
from keras.preprocessing.sequence import pad_sequences
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Flatten
from keras.layers.embeddings import Embedding
# define documents
docs = ['Well done!',
        'Good work',
        'Great effort',
        'nice work',
        'Excellent!',
        'Weak',
        'Poor effort!',
        'not good',
        'poor work',
        'Could have done better.']
# define class labels
labels = array([1,1,1,1,1,0,0,0,0,0])
# integer encode the documents
vocab_size = 50
encoded_docs = [one_hot(d, vocab_size) for d in docs]
print(encoded_docs)
# pad documents to a max length of 4 words
max_length = 4
padded_docs = pad_sequences(encoded_docs, maxlen=max_length, padding='post')
print(padded_docs)
# define the model
model = Sequential()
model.add(Embedding(vocab_size, 8, input_length=max_length))
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))
# compile the model
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['acc'])
# summarize the model
print(model.summary())
# fit the model
model.fit(padded_docs, labels, epochs=50, verbose=0)
# evaluate the model
loss, accuracy = model.evaluate(padded_docs, labels, verbose=0)
print('Accuracy: %f' % (accuracy*100))

1. Я посмотрел на encoded_docs и заметил, что слова done и work имеют кодировку one_hot, равную 2, почему? Это потому, что unicity of word to index mapping non-guaranteed. согласно этой странице?
2. Я получил embeddings по команде embeddings = model.layers[0].get_weights()[0]. в таком случае, почему мы получаем объект embedding размера 50? Даже если два слова имеют одинаковый номер one_hot, имеют ли они разное вложение?
3. как я мог понять, какое вложение для какого слова, т.е. done против work

4. Я также нашел ниже код на странице , который может помогите найти вложение каждого слова. Но я не знаю, как создать word_to_index

   word_to_index - это отображение (т.е. dict) слов в их индекс, например. love: 69 words_embeddings = {w:embeddings[idx] для w, idx в word_to_index.items()}

5. Убедитесь, что я правильно понимаю para #.

Первый слой имеет 400 параметров, потому что общее количество слов равно 50, а встраивание имеет 8 измерений, поэтому 50 * 8 = 400.

Последний слой имеет 33 параметра, потому что каждое предложение состоит максимум из 4 слов. Так 4*8 из-за размеров заделки и 1 по уклону. всего 33

_________________________________________________________________
Layer (type)                 Output Shape              Param#   
=================================================================
embedding_3 (Embedding)      (None, 4, 8)              400       
_________________________________________________________________
flatten_3 (Flatten)          (None, 32)                0         
_________________________________________________________________
dense_3 (Dense)              (None, 1)                 33        
=================================================================

6. Наконец, если 1 выше верно, есть ли лучший способ получить слой внедрения model.add(Embedding(vocab_size, 8, input_length=max_length)) без выполнения одного горячего кодирования encoded_docs = [one_hot(d, vocab_size) for d in docs]

+++++++++++++++++++++++++++++++++ обновление - предоставление обновленного кода

from numpy import array
from keras.preprocessing.text import one_hot
from keras.preprocessing.sequence import pad_sequences
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Flatten
from keras.layers.embeddings import Embedding
# define documents
docs = ['Well done!',
        'Good work',
        'Great effort',
        'nice work',
        'Excellent!',
        'Weak',
        'Poor effort!',
        'not good',
        'poor work',
        'Could have done better.']
# define class labels
labels = array([1,1,1,1,1,0,0,0,0,0])


from keras.preprocessing.text import Tokenizer

tokenizer = Tokenizer()

#this creates the dictionary
#IMPORTANT: MUST HAVE ALL DATA - including Test data
#IMPORTANT2: This method should be called only once!!!
tokenizer.fit_on_texts(docs)

#this transforms the texts in to sequences of indices
encoded_docs2 = tokenizer.texts_to_sequences(docs)

encoded_docs2

max_length = 4
padded_docs2 = pad_sequences(encoded_docs2, maxlen=max_length, padding='post')
max_index = array(padded_docs2).reshape((-1,)).max()



# define the model
model = Sequential()
model.add(Embedding(max_index+1, 8, input_length=max_length))# you cannot use just max_index 
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))
# compile the model
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['acc'])
# summarize the model
print(model.summary())
# fit the model
model.fit(padded_docs2, labels, epochs=50, verbose=0)
# evaluate the model
loss, accuracy = model.evaluate(padded_docs2, labels, verbose=0)
print('Accuracy: %f' % (accuracy*100))

embeddings = model.layers[0].get_weights()[0]

embeding_for_word_7 = embeddings[14]
index = tokenizer.texts_to_sequences([['well']])[0][0]
tokenizer.document_count
tokenizer.word_index