然后呢 ，我们来想向量的维度越高 ，提供信息肯定也越多吧 ，咱计算的可靠性是像我刚才说的也是越大的吧 ，像这个实验跟上面可以做对比 ，两个实验和五个实验 ，我们通常情况下是希望数据能稍微的维度在高一些的 ，那说这么长时间 ，此向量 ，此向量究竟长什么样子啊 ，其实呢 ，跟这里啊 ，咱做出来结果基本上来说都是一致的 ，你看这里-0.5 ，0.4 ，它无非是什么 ，它无非就是一个值吧 ，由这个值之后 ，我们就可以用它干什么 ，构造一个向量出来的300倍的向量标着在300倍的空间当中把它做出来了 ，下面呢就是我截出来的 ，嗯对于一个质量的模型 ，它是长什么样子 ，基本上就是 ，对 ，这里才是一个50位的 ，那它就是50个数吧 ，或者你把它当做是50个特征也行 ，在这50个特征当中 ，什么0.50几啊 ，0.68几啊 ，它只是一些数值啊 ，这个数值大家可能会问表示什么样的一个含义啊 ，其实这个含义啊就很难进行一个解释了 ，可以 ，你可以把它当成是 ，比如说我问大家一个事儿 ，你说对于一个数据降维完 pc 降为完的结果 ，它能解释吗 ，解释不了吧 ，只是计算机能认识它相当于一个编码而已了 ，在这里我们不用去考虑它的具体含义 ，你只需要把向量训练出来 ，知道它的空间当中是有意义的就可以 ，剩下怎么去评估 ，怎么去衡量 ，怎么去认识它 ，都交给计算机啊就足够了 ，我们来看下一步 ，那你说现在这个东西 ，假如说我想观察一下这个结果到底有什么样的含义 ，我们可以用什么 ，在这里我再给大家简单看一下吧 ，如果说对于上述的结果 ，我用一个热度图来进行显示 ，它是长什么样子的 ，其实啊 ，这里不同颜色就表示了咱们数值的一个大小 ，基本上都是从负的一点几到正的一点几之间的 ，我们来看一下结果 ，在这里呢 ，比如说我现在可以拿到一些训练好的词向量 ，我们来观察一下它们之间有没有意象似性 ，在这里呢 ，假设我们已经训练好一个词向量 ，接下来在 ie 当中我给大家解释怎么样用一个工具包把我们测量训练出来 ，

其实呢训练一个词向量并不难 ，我会一步一步给大家说 ，咱们的训练数据怎么去做 ，学数据长什么样子 ，一步步我怎么给它训练出来 ，在这里我们先来看结果 ，在技术当中我们可以观察一下 ，观察什么呢 ，我们不用看具体的指标了 ，就来看它的一个颜色的一个变化的一个趋势吧 ，在这里一共有这么50枚的数据 ，我们先来观察一下当前这个啊 ，一个男人和一个男孩 ，他俩之间在此向量上可以观察一下 ，是不是有一些相似性啊来看这一块儿很多位置 ，如果说直接看数值 ，那看这个东西简直要眼睛花了 ，咱直接来看颜色吧 ，颜色里边你看是不是有很多位置怎么样 ，它的模式是什么样 ，是比较相同的吧 ，你看这一块儿很多模式都是一样的吧 ，意味着什么 ，这两个词之间是不是很相近呢 ，那同样的一个地方 ，你再看 ，我找到下一个词 ，下一个词是水 ，这个水这个词和这个男的 ，和这个男人 ，和这个男孩儿是不是都没什么多大关系啊 ，那你看在我的一个词向量通过热度图展示出来结果上 ，他们之间是不是相差的就会比较远啊 ，这个就是我们得到的一个结果 ，说明什么 ，相近的词在我得到结果当中表达的一个就是快 ，当中的位置也是相似的 ，说明我们训练出来的词向量 ，它是怎么样有实际的含义吧 ，计算机啊 ，既然能知道男人和男孩这样词 ，它在空间上是离这比较近的 ，跟其他的比如水这个词不相关 ，那自然就会离得比较远吧 ，这个大家先说第一件事儿 ，我们的词向量在宽当中是有意义的 ，那我们接下来要去考虑另外一个事儿了 ，我们要训练一个词向量 ，那我们该怎么去做呢 ，在这里我再给大家强调的一个核心点 ，我们要用神经网络去做吧 ，神经网络无非是什么 ，在这里简单给大家概述一下 ，