gensim版本很重要，和其他安装依赖包有关系，而且进行了修改和改进。
通过一下命令查看版本

pip list | grep gensim

#导入模块
from gensim.models import Word2Vec
#模型生成
model = Word2Vec(sentence,vector_size=100, min_count=1,sg=1)
#模型保存
model.wv.save_word2vec_format('word2vec.txt',binary=False) 
#循环遍历生成序列

参数说明：

1. sentence:语料库，也即将用到的数据集的内容。
2. sg:训练算法：1表示skip-gram,否则CBOW，默认sg=0为CBOW算法。

skip-gram （训练速度慢，对罕见字有效），CBOW（训练速度快）。一般选择Skip-gram模型

3. vector_size:词向量的维度,默认为100.

这个维度的取值与我们的语料的大小相关，比如小于100M的文本语料，则使用默认值一般就可以了。如果是超大的语料，建议增大维度。值太小会导致词映射因为冲突而影响结果，值太大则会耗内存并使算法计算变慢，一般值取为100到200之间，不过见的比较多的也有300维的。

4. min_count：忽略所有频率低于此值的单词。默认值为5。

在不同大小的语料集中，对于基准词频的需求也是不一样的。譬如在较大的语料集中，希望忽略那些只出现过一两次的单词，这里就可以通过设置min_count参数进行控制。一般而言，合理的参数值会设置在0~100之间。

5. workers: 线程数

表示训练词向量时使用的线程数,默认是当前运行机器的处理器核数

6. iter—epochs 迭代次数

影响训练次数，语料不够的情况下，可以调大迭代次数。spark 版本有bug，迭代次数超过1，训练得到的词向量维度值超大

7. windows: 窗口大小

当前词与预测词的最大距离。

word2vec.txt文件里面会生成特征所对应的数字序列，遍历语料库，替换为数字序列即可。

注意，所有序列要进行长度的归一化，否则会报错，报错如下：

Failed to convert a NumPy array to a Tensor (Unsupported object type numpy.ndarray).