我有70,000个文本样本，使用Keras的’one hot’预处理进行了嵌入。这给我一个数组[40, 20, 142...]，然后我将其填充到长度28（最长的样本长度）。我所要做的就是预测这些值到某个分类标签（假设是0到5）。当我训练模型时，我无法获得超过-0.13%的准确率（目前我的错误是这个，我已经尝试了许多方法来传递输入）。

这是我的数据，我目前只是试图创建一个简单的LSTM。再说一次，我的数据是X -> [长度为28的整数值，嵌入] 和 Y -> [长度为3的一个整数，(100, 143等)]。你知道我哪里做错了么？我问了很多人，没有人能帮到我。这是我模型的代码…有什么想法吗？:(

optimizer = RMSprop(lr=0.01) #在网上看到的，不知道为什么model = Sequential()model.add(Embedding(input_dim=28,output_dim=1,init='uniform')) #28个特征，1维输出？model.add(LSTM(150)) #只是添加我的LSTM节点model.add(Dense(1)) #因为我想要的输出是一个整数值model.compile(loss='sparse_categorical_crossentropy', optimizer=optimizer, metrics=['accuracy'])print(model.summary())

编辑：

使用model.add(Embedding(input_dim=900,output_dim=8,init='uniform'))似乎有效，但准确率仍然没有提高，我不知道该怎么办了。

回答：

我有两个建议。

1. 对目标变量(y)也使用单热表示。如果你将Y作为整数给出，它将成为一个回归问题。只有当你给出单热编码时，它才成为一个分类问题。
2. 当你有大量文本时，尝试使用word2vec嵌入，而不是单热嵌入。

optimizer = RMSprop(lr=0.01) embedding_vecor_length = 32max_review_length = 28nb_classes= 8model = Sequential()model.add(Embedding(input_dim=900, output_dim=embedding_vecor_length,                    input_length=max_review_length)) model.add(LSTM(150))#output_dim是一个具有8个类别的分类变量model.add(Dense(output_dim=nb_classes, activation='softmax'))model.compile(loss='categorical_crossentropy', optimizer=optimizer, metrics=['accuracy'])print(model.summary())model.fit(X_train, y_train, nb_epoch=3, batch_size=64)# 模型的最终评估scores = model.evaluate(X_test, y_test, verbose=0)print("Accuracy: %.2f%%" % (scores[1]*100))