看了很多博客没有解释清楚Embedding层input_dim的意思，下面这篇博客我认为是解释清楚了，欢迎借鉴：
首先搞懂这里embedding的原理就是one-hot，那这样就能理解为什么input_dim=|vocalbulary_id|+1
keras.layers.Embedding(input_dim, output_dim, embeddings_initializer='uniform', embeddings_regularizer=None, activity_regularizer=None, embeddings_constraint=None, mask_zero=False, input_length=None)Keras中Embedding的参数解释（小白）_像蝼蚁这样的人的博客-CSDN博客_embedding第一个参数
再比如在文本数据要处理的时候，一般准备一个字典，形如下面这样的格式：
| id | word |
| 0 | 你 |
| 1 | 好 |
| 2 | 你好 |
首先通过id来代表每个词（token），转换为计算机能理解的数字，再通过embedding编码转换为深度网络能够理解的内容。
比如还有再做时间序列预测的时候，可以考虑是否使用embedding来表征数据，再做对比试验，看是否能够让模型更好的预测。
再讲一下个人理解：
from keras.layers import Embedding
from keras import Sequential
import numpy as np
model = Sequential()
model.add(Embedding(3, 1, input_length=10))
# the model will take as input an integer matrix of size (batch, input_length).
# the largest integer (i.e. word index) in the input should be no larger than 999 (vocabulary size).
# now model.output_shape == (None, 10, 64), where None is the batch dimension.
input_array = np.random.randint(3, size=(1, 10))
print(input_array)
model.compile('rmsprop', 'mse')
output_array = model.predict(input_array)
print(output_array) 
应用：
(164条消息) Embedding 意义_weixin_30701575的博客-CSDN博客
补充：
model.add(Embedding(3, 1, input_length=10))这里的3是输入维度，比如我的输入值是可以用0，1，2来表示那么就需要embedding_input=3来进行One-hot编码表示，至于Output_dim再连接一个全连接层就能进行映射输出了。
参考资料
(171条消息) keras：3)Embedding层详解_Javis486的博客-CSDN博客_embedding keras
(165条消息) Keras中Embedding的参数解释（小白）_像蝼蚁这样的人的博客-CSDN博客_embedding第一个参数
Keras里Embedding层的理解 - 百度文库 (baidu.com)
(173条消息) keras：Embedding层详解（解释了参数的具体含义，有例子）_catbird233的博客-CSDN博客_embedding参数