介绍
我们在做NLP任务时，首先需要把文本表示成计算机能够理解的数据，通常的做法是把词映射成向量。把词映射成向量的方法非常多，比如词带模型，one-hot，词嵌入模型等等，目前使用比较多的是词嵌入模型，将词映射成低维连续的向量。
用TensorFlow或者keras等框架时，都会创建一层Embedding层，这个Embedding层可以用随机初始化的矩阵也可以是预训练的矩阵。这个Embedding实现的就是词嵌入层，或者成为词表示层。
这里有两个问题需要注意：
1. tf.keras或者keras的Embedding层与word2vec的词向量有什么区别？
2. 经过训练的Embedding会与word2vec训练出来的词向量一样吗？
回答这个问题，首先只要弄清楚word2vec是怎么训练得到的词向量的。网上总结了Word2vec中数学原理详解1。使用word2vec训练词向量时，虽然没有标记数据，但并不是无监督的训练，是利用文本的上下文来训练的，比如Tomas Mikolov给出的两个模型，CBOW和Skip-gram模型，二者的区别在于CBOW使用上下文来预测当前词，而Skip-gram利用当前词来预测上下文，本质上都是利用神经网络来做分类问题，很明显就是一种监督训练。
语言模型
设置好词窗口的宽度L，就能得到词的上下文向量context(w_i)=\sum_{i\ne j}^L w_i，中心词为w_i，在语料中可以得到大量的数据对(context(w_i), w_i)。目标就是
L(w) = \sum_{i \in C} \log p(w_i|context(w_i))
最大化上面的似然函数，就能得到一个根据上下文预测当前词的模型，而词向量就是这个任务的副产物。
回答上面的问题
看到这里现在可以回答上面的问题了。
1. keras的Embedding仅仅只是一个词的映射层，如果采用随机初始化相当于是半成品的词向量，而word2vec训练得到的词向量是完整的此嵌入向量，有表示上下文的能力。
2. 可以一样，也可以不一样，取决于任务是否相同。如果我们构建的模型与word2vec训练任务相同，那么得到的词向量可以认为是等价的。当然我们也可以用word2vec训练得到的词向量来初始化Embedding层的权重。
这里再来解释一下，引用苏剑林的例子（他的文章分析的很透彻2）：
我喜欢你
我讨厌你
对于这样的文本，利用word2vec训练的结果一定是喜欢和讨厌距离非常近似，因为上下文是一致的。而在情感分析中，这是两种完全不同的情感，那么喜欢和讨厌这两个词距离相差很远。
总结
这里简单总结一下：
1. word2vec是一个完整神经语言模型，包含输入层，投影层，隐藏层，输出层。而Embedding层仅仅只相当于投影层（词嵌入）而已。
2. 对于不同的NLP任务来说，虽然都用Embedding层，最终训练得到的副产物词向量（投影层）结果没有任何关联，都是通过更新参数得到的Embedding。
3. 虽然这两个层不一样，但在很多时候可以通过word2vec训练得到词向量，去初始化Embedding层的权重，这样的Embedding层可以很好的表示文本的上下文特征。不过在Bert大行其道以后，直接采用Bert的预训练来做词表示，其捕捉上下文特征的能力大大提升，成为了主流方法。但认识和理解词向量仍然具有重要意义。