Keras Embedding層は、任意の行列の乗算だけで、それを実行していません。
1. （vocabulary_size）x（embedding_dimension）次元の重み行列を作成します
2.この重み行列にインデックスを付けます
クラスが何をするのかを理解するためにソースコードを見ておくことは常に役に立ちます。この場合、Layerと呼ばれる基本レイヤーから継承するclass 埋め込みを見てみましょう。class
（1）- （vocabulary_size）x（embedding_dimension）ディメンションのウェイトマトリックスの作成：
これはbuild、Embeddingの機能で発生しています。
def build(self, input_shape):
self.embeddings = self.add_weight(
shape=(self.input_dim, self.output_dim),
initializer=self.embeddings_initializer,
name='embeddings',
regularizer=self.embeddings_regularizer,
constraint=self.embeddings_constraint,
dtype=self.dtype)
self.built = True
基本クラスLayerを見ると、add_weight上記の関数がトレーニング可能な重みの行列（この場合は（vocabulary_size）x（embedding_dimension）ディメンション）を作成していることがわかります。
def add_weight(self,
name,
shape,
dtype=None,
initializer=None,
regularizer=None,
trainable=True,
constraint=None):
"""Adds a weight variable to the layer.
# Arguments
name: String, the name for the weight variable.
shape: The shape tuple of the weight.
dtype: The dtype of the weight.
initializer: An Initializer instance (callable).
regularizer: An optional Regularizer instance.
trainable: A boolean, whether the weight should
be trained via backprop or not (assuming
that the layer itself is also trainable).
constraint: An optional Constraint instance.
# Returns
The created weight variable.
"""
initializer = initializers.get(initializer)
if dtype is None:
dtype = K.floatx()
weight = K.variable(initializer(shape),
dtype=dtype,
name=name,
constraint=constraint)
if regularizer is not None:
with K.name_scope('weight_regularizer'):
self.add_loss(regularizer(weight))
if trainable:
self._trainable_weights.append(weight)
else:
self._non_trainable_weights.append(weight)
return weight
（2）-このウェイトマトリックスのインデックス作成
これはcall、Embeddingの機能で発生しています。
def call(self, inputs):
if K.dtype(inputs) != 'int32':
inputs = K.cast(inputs, 'int32')
out = K.gather(self.embeddings, inputs)
return out
この関数は、Embeddingレイヤーの出力を返しますK.gather(self.embeddings, inputs)。何tf.keras.backend.gather正確に行うことは重み行列インデックスにあるself.embeddings（参照buildに応じて上記の機能）をinputs正の整数のリストであるべきです。
これらのリストは、たとえば、テキスト/単語入力をKerasのone_hot関数に渡し、テキストをサイズnの単語インデックスのリストにエンコードする場合に取得できます（これは1つのホットエンコーディングではありません。詳細については、この例も参照してください：https://machinelearningmastery.com/use-word-embedding-layers-deep-learning-keras/）。
したがって、これですべてです。行列の乗算はありません。
それどころか、このKeras Embeddingレイヤーは、行列乗算の実行を正確に回避し、一部の計算リソースを節約するためにのみ有用です。
それ以外の場合は、（入力データをエンコードした後）Keras 高密度レイヤーを使用して、（（vocabulary_size）x（embedding_dimension）次元の）トレーニング可能な重みの行列を取得し、単純に乗算を行って正確に出力を取得できますEmbeddingレイヤーの出力と同じです。