我在使用IMDB数据集训练Keras模型。对于包含LSTM层的这个模型，准确率大约为50%：
model = Sequential() model.add(Embedding(max_features, 32)) model.add(LSTM(32, return_sequences=True)) model.add(LSTM(32, return_sequences=True)) model.add(LSTM(32)) model.add(Dense(1, activation='sigmoid'))准确率：
loss: 0.6933 - acc: 0.5007 - val_loss: 0.6932 - val_acc: 0.4947我还尝试过使用单个LSTM层，但准确率也差不多。
然而，如果我不使用LSTM层，准确率可以达到约82%
model = models.Sequential()model.add(layers.Dense(16, kernel_regularizer=regularizers.l1(0.001), activation='relu', input_shape=(10000,)))model.add(layers.Dropout(0.5))model.add(layers.Dense(16, kernel_regularizer=regularizers.l1(0.001), activation='relu'))model.add(layers.Dropout(0.5))model.add(layers.Dense(1, activation='sigmoid'))准确率：
loss: 0.6738 - acc: 0.8214 - val_loss: 0.6250 - val_acc: 0.8320这是我编译和训练模型的方式：
model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['acc'])model.fit(partial_x_train, partial_y_train, epochs=Numepochs, batch_size=Batchsize, validation_data=(x_val, y_val))这如何解释？我以为LSTM在处理顺序文本数据时表现得很好？
回答：
不要忘记，LSTM用于处理序列数据，如时间序列或文本数据。在序列中，元素的顺序非常重要，如果你重新排列元素，那么整个序列的意义可能会完全改变。
现在，你的情况中的问题是，你使用的预处理步骤不适合LSTM模型。你将每个句子编码为一个向量，其中每个元素代表特定词语的存在或不存在。因此，你完全忽略了句子中词语出现的顺序，而这是LSTM层擅长建模的。基于你使用的预处理方案，你的LSTM模型还有另一个问题，即Embedding层接受的是词索引作为输入，而不是零和一的向量（即预处理阶段的输出）。
由于IMDB数据已经存储为词索引序列，要解决这个问题，你只需要通过只填充/截断序列来预处理IMDB数据，使其具有指定的长度，以便能够利用批处理。例如：
from keras.preprocessing.sequences import pad_sequencesvocab_size = 10000 # 只考虑最常见的10000个词(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=vocab_size)x_train = pad_sequences(x_train, maxlen=500) # 截断或填充序列，使它们全部长度为500现在，x_train的形状将是(25000, 500)，它由25000个长度为500的序列组成，编码为整数词索引。现在你可以通过将其传递给fit方法来使用它进行训练。我猜你可以使用一个Embedding层和一个LSTM层达到至少80%的训练准确率。别忘了使用验证方案来监控过拟合（一个简单的选项是调用fit方法时设置validation_split参数）。
