数据和枚举的对应关系：{A:1, B:2, C:3, ...}
网络层输入按照枚举方式，比如是A的话，那么输入层就是
A: [1, 0, 0, 0, 0, 0, ...]， 如果是B，输入就是：
B: [0, 1, 0, 0, 0, 0, ...]， 依次类推：
C: [0, 0, 1, 0, 0, 0, ...]
有多少枚举，就有多少个输入。
从输入到Hidden层，因为只有一个1，其他都是0，如下图：
其实没必要把所有输入都计算了。因为其余都是0，只计算所选的那个
就好了。
这就是 nn.Embadding(num_embaddings, num_dim)的意义。
- num_embaddings就是枚举的个数，也是输入节点数，他会根据输入自动转换为枚举，比如输入2，输入为
。
- num_dim是hidden层的数量。
- padding_idx 就是说这个index不用，作为补齐的。那么遇到这个index，所有输入都是
，就等于什么也不运算。
