一.基本思路
1.假设有一段文本：the apple is red，首先对在句子中的各个字母用set进行收集，并利用index生成(index, alpha)形式的dict
2.将文本利用dict中的key进行转化，如t对应index值为1，h为2，e为3，则the可转化为1 2 3，因此文本转化为array[1 2 3 …]
3.对每一个数字进行编码转换
方式1：手动进行one-hot编码
假设len(dict)=10，则一个数字转化的vendor长度为10，如2中的1可转化为$[1,0,0…,0]^T$
方式2：利用Embedding层进行自动转换
假设将shape=(1,10)输入Embedding(a,b)层，则将输出shape=(1,10,b)，即利用embedding对输入矩阵的每一个值进行向量转化
4.构建模型
(1)建立SimpleRNN层，输入shape=(array_len,dict_len)，输出shape=(1,dict_len)，其中 array_len 表示文本转化的array的长度，dict_len表示dict的长度，由于输入一个句子输出一个字母，因此输出值shape即一个字母的数值表示，shape=(1,dict_len)
(2)建立Dense层，设置units=dict_len，使用softmax激活函数将输出值进行压缩，并利用 categorical_crossentropy 作为loss function。即将问题转化为classification，利用全连接层进行训练，计算其与label的loss并进行反向传播调整参数，从而完成训练
