임베딩 조회 (Embedding Lookup)

정수 인덱스 (단어 ID, 사용자 ID 등) 를 밀집 벡터 로 변환. NLP·추천시스템의 기본 연산:

$\text{embedding}(\mathbf{idx})_i = E_{idx_i}$

즉 (N,) 정수 배열 → (N, D) 임베딩 행렬의 해당 행 모음.

왜 중요한가

• One-hot + 선형층 과 수학적으로 동일하지만 훨씬 효율적 (희소 곱셈 피함).
• 단어 의미, 사용자 취향 등을 연속 공간에 학습 — 유사한 인덱스는 유사한 벡터.
• Transformer 의 token embedding, recommender 의 user/item embedding 모두 이 연산.

과제

함수 embedding_lookup(E, idx) 를 완성하세요.

• E shape (V, D) — 어휘 크기 V, 임베딩 차원 D.
• idx shape (N,) 정수 — 0 ≤ idx < V.
• 반환: shape (N, D).
• 한 줄이면 끝: E[idx].

테스트 케이스

#	이름	검증
1	shape (N, D)
2	값 정확	out[i] == E[idx[i]]
3	중복 idx	같은 인덱스 여러 번 호출시 같은 벡터
4	2D idx	(B, L) 정수 → (B, L, D)
5	빈 idx	() 크기 처리