我正在使用CNN进行假新闻检测，我对使用Keras和TensorFlow编写CNN代码还不熟练。我需要帮助来创建一个CNN模型，该模型以长度为100的向量形式的语句作为输入，并根据其预测的真假值输出0或1。

X_train.shape# 10229, 100X_train = np.expand_dims(X_train, axis=2)X_train.shape# 10229,100,1# actual cnn model hereimport tensorflow as tffrom tensorflow.keras import layers# Conv1D + global max poolingfrom keras.layers import Conv1D, MaxPooling1D, Embedding, Dropout, Flatten, Densefrom keras.layers import Inputtext_len=100from keras.models import Modelinp = Input(batch_shape=(None, text_len, 1))conv2 = Conv1D(filters=128, kernel_size=5, activation='relu')(inp)drop21 = Dropout(0.5)(conv2)conv22 = Conv1D(filters=64, kernel_size=5, activation='relu')(drop21)drop22 = Dropout(0.5)(conv22)pool2 = MaxPooling1D(pool_size=2)(drop22)flat2 = Flatten()(pool2)out = Dense(1, activation='softmax')(flat2)model = Model(inp, out)model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])model.summary()model.fit(X_train, Y_train)

如果有人能提供一个带有一点解释的工作代码，我将非常感激

回答：

在这个示例中，我使用了具有2D特征的Conv1D。Conv1D接受3D格式的序列输入（n_samples, time_steps, features）。如果您使用的是2D特征，您需要将其调整为3D。通常的选择是将您的特征视为是简单扩展的时间维度（在axis 1上使用expand_dims），对于tfidf/独热编码特征，没有理由假设位置/时间模式。

当您构建神经网络时，您从3D维度开始，并且需要转换为2D。从3D到2D有很多可能性，最简单的是展平，如果您只有一个时间维度，池化层是无用的。如果您在最后一层使用softmax作为激活函数，请记住在您的Dense层中设置维度等于您的类别数量