![\"\"](\"https:\/\/www.wsisp.com\/helps\/wp-content\/uploads\/2026\/02\/20260205163252-6984c63423a42.png\")
<\/p>\n\u76ee\u5f55<\/p>\n
\n
\u4e00\u3001\u4efb\u52a1\u660e\u786e<\/p>\n
1. \u4efb\u52a1\u76ee\u6807<\/p>\n
2. \u6838\u5fc3\u8981\u6c42<\/p>\n
\u4e8c\u3001\u6838\u5fc3\u601d\u8def<\/p>\n
\u4e09\u3001\u6d41\u7a0b\u8bbe\u8ba1<\/p>\n
\u9636\u6bb51：\u539f\u59cb\u6570\u636e\u5904\u7406（\u6838\u5fc3：\u5b57\u7b26\u2192\u7d22\u5f15\u2192\u6279\u6b21\u5f20\u91cf，\u9002\u914d\u6a21\u578b\u8f93\u5165）<\/p>\n
\u9636\u6bb52：LSTM\u6a21\u578b\u6784\u5efa（\u6838\u5fc3：\u8bcd\u5411\u91cf\u2192\u65f6\u5e8f\u7279\u5f81\u2192\u60c5\u611f\u5206\u7c7b）<\/p>\n
\u9636\u6bb53：\u8bad\u7ec3\u4e0e\u6d4b\u8bd5（\u6838\u5fc3：\u4f18\u5316\u6a21\u578b\u53c2\u6570，\u8bc4\u4f30\u6a21\u578b\u6548\u679c）<\/p>\n
\u56db\u3001\u4ee3\u7801\u5b9e\u73b0<\/p>\n
\u6a21\u57571：\u8bcd\u8868\u6784\u5efa（build_vocab.py）<\/p>\n
\u6a21\u57572：\u6570\u636e\u52a0\u8f7d\u4e0e\u8fed\u4ee3\u5668（load_dataset.py）<\/p>\n
\u6a21\u57573：LSTM\u6a21\u578b\u6784\u5efa（TextRNN.py）<\/p>\n
\u6a21\u57574：\u8bad\u7ec3\u4e0e\u6d4b\u8bd5（train_eval_test.py）<\/p>\n
\u6a21\u57575：\u4e3b\u7a0b\u5e8f（main.py）<\/p>\n
\u6a21\u57576：\u5355\u4e2a\u53e5\u5b50\u9884\u6d4b（predict.py）<\/p>\n
\u4e94\u3001\u5173\u952e\u4fee\u6b63\u4e0e\u8865\u5145\u8bf4\u660e<\/p>\n
1. \u539f\u59cb\u6d41\u7a0b\u6838\u5fc3\u4fee\u6b63<\/p>\n
\n
\u516d\u3001\u603b\u7ed3\u4e0e\u8fdb\u9636\u65b9\u5411<\/p>\n
1. \u5b9e\u6218\u603b\u7ed3<\/p>\n
\u7ee7\u4e0a\u4e00\u7bc7\u5b66\u4e60\u4e86\u5faa\u73af\u795e\u7ecf\u7f51\u7edc（RNN）\u53ca\u6539\u8fdb\u7248\u957f\u77ed\u671f\u8bb0\u5fc6\u7f51\u7edc（LSTM）\u7684\u6838\u5fc3\u539f\u7406\u540e，\u672c\u6587\u5c06\u4ece\u5b9e\u6218\u89d2\u5ea6\u51fa\u53d1，\u57fa\u4e8eLSTM\u7f51\u7edc\u5b8c\u6210\u5fae\u535a\u8bc4\u8bba\u7684\u60c5\u611f\u5206\u7c7b\u4efb\u52a1\u3002\u6574\u4e2a\u8fc7\u7a0b\u6db5\u76d6\u6570\u636e\u5904\u7406\u3001\u6a21\u578b\u642d\u5efa\u3001\u8bad\u7ec3\u6d4b\u8bd5\u6574\u4e2a\u6d41\u7a0b，\u5305\u542b\u5b8c\u6574\u4ee3\u7801\u89e3\u6790\u3002<\/p>\n
\u57fa\u4e8e\u5fae\u535a4\u7c7b\u60c5\u7eea\u6570\u636e\u96c6（simplifyweibo_4_moods.csv），\u642d\u5efaLSTM\u6a21\u578b\u5b9e\u73b0\u5fae\u535a\u8bc4\u8bba\u7684\u60c5\u611f\u5206\u7c7b，\u5177\u4f53\u5c06\u8bc4\u8bba\u5206\u4e3a4\u7c7b\u60c5\u611f\u6807\u7b7e，\u8d34\u5408\u771f\u5b9e\u5fae\u535a\u573a\u666f：\u559c\u60a6\u3001\u6124\u6012\u3001\u538c\u6076\u3001\u4f4e\u843d\u3002\u90e8\u5206\u539f\u59cb\u6570\u636e\u5c55\u793a：<\/p>\n
\u6570\u636e\u5c42\u9762：\u91c7\u7528\u5b57\u7b26\u7ea7\u5904\u7406\u65b9\u5f0f，\u7edf\u4e00\u6240\u6709\u53e5\u5b50\u957f\u5ea6\u4e3a70（\u591a\u4f59\u90e8\u5206\u622a\u65ad\u3001\u4e0d\u8db3\u90e8\u5206\u586b\u5145），\u6784\u5efa\u5b57\u7b26\u7ea7\u8bcd\u8868\u5e76\u8fc7\u6ee4\u4f4e\u9891\u8bcd，\u907f\u514d\u8bcd\u8868\u5197\u4f59\u3002<\/p>\n<\/li>\n
\u6a21\u578b\u5c42\u9762：\u4f7f\u7528\u817e\u8baf\u9884\u8bad\u7ec3\u8bcd\u5411\u91cf\u521d\u59cb\u5316Embedding\u5c42\u5e76\u5f00\u542f\u5fae\u8c03，\u5c06\u5b57\u7b26\u7d22\u5f15\u8f6c\u5316\u4e3a200\u7ef4\u8bcd\u5411\u91cf，\u4f20\u5165\u53cc\u5411LSTM\u63d0\u53d6\u6587\u672c\u65f6\u5e8f\u7279\u5f81，\u6700\u7ec8\u901a\u8fc7\u5168\u8fde\u63a5\u5c42\u5b8c\u62104\u7c7b\u60c5\u611f\u5206\u7c7b\u3002<\/p>\n<\/li>\n
\u8bc4\u4f30\u5c42\u9762：\u901a\u8fc7\u51c6\u786e\u7387（Accuracy）\u3001\u5206\u7c7b\u62a5\u544a（\u7cbe\u786e\u7387\u3001\u53ec\u56de\u7387\u3001F1\u503c）\u5168\u9762\u8bc4\u4f30\u6a21\u578b\u6548\u679c，\u52a0\u5165\u65e9\u505c\u7b56\u7565（Early Stopping）\u907f\u514d\u6a21\u578b\u8fc7\u62df\u5408，\u63d0\u5347\u6cdb\u5316\u80fd\u529b\u3002<\/p>\n<\/li>\n
\u5b9e\u64cd\u5c42\u9762：\u4ee3\u7801\u6a21\u5757\u5316\u62c6\u5206（\u8bcd\u8868\u6784\u5efa\u3001\u6570\u636e\u52a0\u8f7d\u3001\u6a21\u578b\u5b9a\u4e49\u3001\u8bad\u7ec3\u6d4b\u8bd5），\u7ed3\u6784\u6e05\u6670，\u53ef\u76f4\u63a5\u590d\u5236\u590d\u7528，\u8865\u5145\u8fd0\u884c\u8bf4\u660e\u548c\u5e38\u89c1\u95ee\u9898\u89e3\u51b3\u65b9\u6848，\u964d\u4f4e\u65b0\u624b\u5b9e\u64cd\u95e8\u69db\u3002<\/p>\n<\/li>\n<\/ul>\n
\u6587\u672c\u60c5\u611f\u5206\u7c7b\u7684\u6838\u5fc3\u662f\u300c\u5c06\u6587\u672c\u8f6c\u5316\u4e3a\u53ef\u88ab\u6a21\u578b\u8bc6\u522b\u7684\u6570\u503c\u7279\u5f81，\u518d\u901a\u8fc7\u6df1\u5ea6\u5b66\u4e60\u6a21\u578b\u6355\u6349\u6587\u672c\u4e2d\u7684\u60c5\u611f\u503e\u5411\u300d，\u7ed3\u5408LSTM\u7684\u65f6\u5e8f\u7279\u5f81\u4f18\u52bf，\u672c\u6b21\u5b9e\u6218\u6838\u5fc3\u601d\u8def\u5206\u4e3a3\u6b65，\u903b\u8f91\u8fde\u8d2f\u4e14\u8d34\u5408LSTM\u7279\u6027：<\/p>\n
\u6570\u636e\u9884\u5904\u7406：\u5148\u6784\u5efa\u5b57\u7b26\u7ea7\u8bcd\u8868（\u8fc7\u6ee4\u4f4e\u9891\u8bcd\u3001\u8865\u5145\u672a\u77e5\/\u586b\u5145\u5b57\u7b26），\u518d\u5c06\u539f\u59cb\u6587\u672c\u8f6c\u5316\u4e3a\u8bcd\u8868\u7d22\u5f15，\u7edf\u4e00\u53e5\u5b50\u957f\u5ea6\u540e\u62c6\u5206\u8bad\u7ec3\u96c6\u3001\u9a8c\u8bc1\u96c6\u3001\u6d4b\u8bd5\u96c6（8:1:1），\u6700\u540e\u6784\u5efa\u6570\u636e\u8fed\u4ee3\u5668，\u5c06\u6570\u636e\u8f6c\u4e3a\u5f20\u91cf\u5e76\u6309\u6279\u6b21\u52a0\u8f7d，\u9002\u914d\u6a21\u578b\u8f93\u5165\u683c\u5f0f\u3002<\/p>\n<\/li>\n
\u6a21\u578b\u8bbe\u8ba1：\u91c7\u7528\u300cEmbedding\u2192\u53cc\u5411LSTM\u2192\u5168\u8fde\u63a5\u300d\u7684\u7ecf\u5178\u6587\u672c\u5206\u7c7b\u67b6\u6784\u2014\u2014Embedding\u5c42\u89e3\u51b3\u6587\u672c\u5411\u91cf\u5316\u95ee\u9898（\u590d\u7528\u9884\u8bad\u7ec3\u8bcd\u5411\u91cf\u63d0\u5347\u6548\u679c），\u53cc\u5411LSTM\u6355\u6349\u6587\u672c\u4e0a\u4e0b\u6587\u53cc\u5411\u65f6\u5e8f\u7279\u5f81（\u8d34\u5408\u4e2d\u6587\u53e5\u5b50\u524d\u540e\u6587\u5173\u8054\u7684\u7279\u70b9），\u5168\u8fde\u63a5\u5c42\u5c06LSTM\u8f93\u51fa\u7684\u7279\u5f81\u5411\u91cf\u6620\u5c04\u4e3a4\u7c7b\u60c5\u611f\u7684\u9884\u6d4b\u6982\u7387\u3002<\/p>\n<\/li>\n
\u8bad\u7ec3\u4e0e\u6d4b\u8bd5：\u4f7f\u7528Adam\u4f18\u5316\u5668\u3001\u4ea4\u53c9\u71b5\u635f\u5931\u51fd\u6570\u8bad\u7ec3\u6a21\u578b，\u6bcf100\u6279\u6b21\u76d1\u63a7\u8bad\u7ec3\u96c6\u548c\u9a8c\u8bc1\u96c6\u6548\u679c，\u4fdd\u5b58\u9a8c\u8bc1\u96c6\u635f\u5931\u6700\u4f18\u7684\u6a21\u578b；\u8bad\u7ec3\u7ed3\u675f\u540e\u5728\u6d4b\u8bd5\u96c6\u4e0a\u8bc4\u4f30\u6a21\u578b\u6027\u80fd，\u8f93\u51fa\u5206\u7c7b\u62a5\u544a，\u540c\u65f6\u52a0\u5165\u8bad\u7ec3\u53ef\u89c6\u5316，\u65b9\u4fbf\u76d1\u63a7\u8bad\u7ec3\u8fc7\u7a0b\u4e2d\u7684\u635f\u5931\u548c\u51c6\u786e\u7387\u53d8\u5316\u3002<\/p>\n<\/li>\n
\u6570\u636e\u5904\u7406\u662f\u5b9e\u6218\u7684\u57fa\u7840，\u76f4\u63a5\u5f71\u54cd\u6a21\u578b\u6548\u679c，\u6838\u5fc3\u76ee\u6807\u662f\u300c\u5c06\u975e\u7ed3\u6784\u5316\u7684\u6587\u672c\u6570\u636e，\u8f6c\u5316\u4e3a\u7ed3\u6784\u5316\u7684\u6570\u503c\u5f20\u91cf\u300d，\u5177\u4f53\u5206\u4e3a3\u6b65：<\/p>\n
\u6784\u5efa\u8bcd\u8868：<\/p>\n
\u91c7\u7528\u5b57\u7b26\u7ea7\u5206\u8bcd（\u9010\u4e2a\u62c6\u5206\u4e2d\u6587\u6c49\u5b57\/\u7b26\u53f7），\u7edf\u8ba1\u6240\u6709\u6587\u672c\u4e2d\u6bcf\u4e2a\u5b57\u7b26\u7684\u51fa\u73b0\u9891\u7387；<\/p>\n<\/li>\n
\u8fc7\u6ee4\u4f4e\u9891\u5b57\u7b26（\u4f4e\u4e8e\u6700\u5c0f\u8bcd\u9891\u7684\u5b57\u7b26\u5220\u9664），\u8bbe\u7f6e\u8bcd\u8868\u6700\u5927\u5bb9\u91cf\u4e3a4762，\u907f\u514d\u8bcd\u8868\u8fc7\u5927\u5bfc\u81f4\u6a21\u578b\u5197\u4f59\u3002\u8fd9\u91cc4762\u662f\u56e0\u4e3a\u6211\u4e48\u4f7f\u7528\u7684\u817e\u8baf\u9884\u8bad\u7ec3\u8bcd\u5411\u91cf\u77e9\u9635\u662f4762*200，\u6211\u4eec\u8fd8\u9700\u8981\u7559\u4e24\u4e2a\u8bcd，\u5206\u522b\u8868\u793a\u7a7a\u7f3a\u503c\u548c\u672a\u77e5\u503c\u3002\u56e0\u4e3a\u6211\u4eec\u8981\u4fdd\u8bc1\u8f93\u5165\u5230lstm\u7f51\u7edc\u7684\u6570\u636e\u5927\u5c0f\u662f\u7edf\u4e00\u7684，\u8fd9\u91cc\u6211\u4eec\u8bbe\u5b9a\u4e3a70\u4e2a\u5b57，\u5373\u6bcf\u6b21\u50cf\u4e00\u4e2alstm\u7f51\u7edc\u4e2d\u4f20\u516570\u4e2a\u5b57，\u5f53\u4e00\u6761\u8bc4\u8bba\u4e0d\u8db370\u4e2a\u5b57\u65f6，\u6211\u4eec\u5c31\u7528\u8868\u793a\u7a7a\u7f3a\u7684\u503c<pad>\u6765\u4ee3\u66ff；\u56e0\u4e3a\u6211\u4eec\u817e\u8baf\u7684\u78c1\u5411\u91cf\u77e9\u9635\u8f93\u5165\u53ea\u67094762，\u4e5f\u5c31\u662f\u8bf4\u5728\u6587\u672c\u4e2d\u6211\u4eec\u53ea\u80fd\u4f7f\u7528\u51fa\u73b0\u9891\u6b21\u6700\u9ad8\u7684\u524d4760\u4e2a\u5b57，\u5176\u4ed6\u9891\u7387\u4f4e\u7684\u8bcd\u6211\u4eec\u4f7f\u7528\u672a\u77e5\u503c\u6765\u4ee3\u66ff，\u8bbe\u5b9a\u4e3a<unk>\u3002<\/p>\n<\/li>\n
\u8865\u51452\u4e2a\u7279\u6b8a\u5b57\u7b26：<unk>（\u672a\u77e5\u5b57\u7b26，\u5bf9\u5e94\u8bcd\u8868\u4e2d\u672a\u6536\u5f55\u7684\u5b57\u7b26）\u3001<pad>（\u586b\u5145\u5b57\u7b26，\u7528\u4e8e\u7edf\u4e00\u53e5\u5b50\u957f\u5ea6）；<\/p>\n<\/li>\n
\u5c06\u5b57\u7b26\u6620\u5c04\u4e3a\u552f\u4e00\u7d22\u5f15（\u4ece0\u5f00\u59cb），\u4fdd\u5b58\u8bcd\u8868\u5230\u672c\u5730（vocab.pkl），\u4f9b\u540e\u7eed\u6570\u636e\u5904\u7406\u548c\u9884\u6d4b\u65f6\u590d\u7528（\u4ec5\u9700\u6784\u5efa\u4e00\u6b21）\u3002<\/p>\n<\/li>\n<\/li>\n
\u6570\u636e\u683c\u5f0f\u5316：<\/p>\n
\u8bfb\u53d6\u539f\u59cb\u6570\u636e\u96c6，\u63d0\u53d6\u6bcf\u6761\u8bc4\u8bba\u7684\u300c\u60c5\u611f\u6807\u7b7e\u300d（\u9996\u5b57\u7b26，0-3\u5206\u522b\u5bf9\u5e944\u7c7b\u60c5\u611f）\u548c\u300c\u6587\u672c\u5185\u5bb9\u300d（\u53bb\u6389\u6807\u7b7e\u540e\u7684\u8bc4\u8bba\u5185\u5bb9）；<\/p>\n<\/li>\n
\u7edf\u4e00\u53e5\u5b50\u957f\u5ea6\u4e3a70：\u53e5\u5b50\u957f\u5ea6\u8d85\u8fc770\u65f6，\u622a\u65ad\u591a\u4f59\u90e8\u5206；\u4e0d\u8db370\u65f6，\u7528<pad>\u5b57\u7b26\u586b\u5145\u81f370；<\/p>\n<\/li>\n
\u5c06\u6587\u672c\u4e2d\u7684\u6bcf\u4e2a\u5b57\u7b26，\u901a\u8fc7\u8bcd\u8868\u6620\u5c04\u4e3a\u5bf9\u5e94\u7684\u7d22\u5f15（\u672a\u77e5\u5b57\u7b26\u6620\u5c04\u4e3a<unk>\u7684\u7d22\u5f15），\u5b8c\u6210\u300c\u6587\u672c\u2192\u7d22\u5f15\u300d\u7684\u8f6c\u5316\u3002<\/p>\n<\/li>\n<\/li>\n
\u6570\u636e\u6253\u5305\u4e0e\u62c6\u5206：<\/p>\n
\u5c06\u5904\u7406\u540e\u7684\u300c\u5b57\u7b26\u7d22\u5f15\u3001\u60c5\u611f\u6807\u7b7e\u3001\u53e5\u5b50\u539f\u59cb\u957f\u5ea6\u300d\u6253\u5305\u4e3a\u5143\u7ec4，\u968f\u673a\u6253\u4e71\u6570\u636e\u987a\u5e8f（\u907f\u514d\u6a21\u578b\u5b66\u4e60\u5230\u6570\u636e\u987a\u5e8f\u7684\u5197\u4f59\u7279\u5f81）；<\/p>\n<\/li>\n
\u63098:1:1\u7684\u6bd4\u4f8b\u62c6\u5206\u8bad\u7ec3\u96c6（\u7528\u4e8e\u6a21\u578b\u8bad\u7ec3）\u3001\u9a8c\u8bc1\u96c6（\u7528\u4e8e\u76d1\u63a7\u6a21\u578b\u6548\u679c\u3001\u8c03\u6574\u53c2\u6570）\u3001\u6d4b\u8bd5\u96c6（\u7528\u4e8e\u6700\u7ec8\u8bc4\u4f30\u6a21\u578b\u6cdb\u5316\u80fd\u529b）；<\/p>\n<\/li>\n
\u6784\u5efa\u6570\u636e\u8fed\u4ee3\u5668（DatasetIterater），\u5c06\u6570\u636e\u6309\u6279\u6b21（batch_size=128）\u8f6c\u4e3aPyTorch\u5f20\u91cf，\u5e76\u52a0\u8f7d\u5230\u6307\u5b9a\u8bbe\u5907（CPU\/GPU），\u51cf\u5c11\u6570\u636e\u52a0\u8f7d\u7684\u65f6\u95f4\u5f00\u9500，\u63d0\u5347\u8bad\u7ec3\u6548\u7387\u3002<\/p>\n<\/li>\n<\/li>\n
\u6a21\u578b\u6784\u5efa\u8d34\u5408LSTM\u7684\u65f6\u5e8f\u4f18\u52bf，\u9002\u914d\u6587\u672c\u5206\u7c7b\u573a\u666f，\u91cd\u70b9\u4f18\u5316Embedding\u5c42\u548cLSTM\u5c42\u7684\u8bbe\u8ba1，\u5177\u4f53\u7ed3\u6784\u5206\u4e3a3\u5c42，\u5c42\u5c42\u9012\u8fdb：<\/p>\n
Embedding\u5c42（\u8bcd\u5411\u91cf\u5c42）：<\/p>\n
\u7528\u817e\u8baf\u9884\u8bad\u7ec3200\u7ef4\u8bcd\u5411\u91cf\u521d\u59cb\u5316，\u907f\u514d\u968f\u673a\u521d\u59cb\u5316\u5bfc\u81f4\u7684\u8bcd\u5411\u91cf\u8bed\u4e49\u504f\u5dee；<\/p>\n<\/li>\n
\u8bbe\u7f6epadding_idx\u4e3a\u8bcd\u8868\u6700\u540e\u4e00\u4f4d（\u5373<pad>\u7684\u7d22\u5f15），\u8ba9\u6a21\u578b\u5ffd\u7565\u586b\u5145\u5b57\u7b26\u7684\u5f71\u54cd；<\/p>\n<\/li>\n
\u5f00\u542f\u5fae\u8c03（freeze=False），\u8ba9\u9884\u8bad\u7ec3\u8bcd\u5411\u91cf\u5728\u8bad\u7ec3\u8fc7\u7a0b\u4e2d\u9002\u914d\u5f53\u524d\u5fae\u535a\u60c5\u611f\u5206\u7c7b\u4efb\u52a1，\u8fdb\u4e00\u6b65\u63d0\u5347\u6a21\u578b\u6548\u679c；<\/p>\n<\/li>\n
\u6838\u5fc3\u4f5c\u7528：\u5c06\u5b57\u7b26\u7d22\u5f15（\u5982[12,34,56,…]）\u8f6c\u5316\u4e3a200\u7ef4\u8bcd\u5411\u91cf，\u89e3\u51b3\u300c\u6587\u672c\u65e0\u6cd5\u76f4\u63a5\u88ab\u6a21\u578b\u8bc6\u522b\u300d\u7684\u95ee\u9898（\u8fd9\u91cc\u66f4\u8be6\u7ec6\u7684\u89e3\u91ca\u662f，\u6bcf\u4e00\u4e2a\u5b57\u5bf9\u5e94\u4e00\u4e2a\u7d22\u5f15\u5f20\u91cf，\u7d22\u5f15\u5f20\u91cf\u5728embedding\u5c42\u4e2d\u4f1a\u81ea\u52a8\u8f6c\u5316\u4e3a4762\u7ef4\u5ea6\u7684\u72ec\u70ed\u7f16\u7801，\u7136\u540e\u7ecf\u8fc7embedding\u5c424762*200\u7684\u77e9\u9635\u8f6c\u5316\u4e3a200\u7ef4\u5ea6\u7684\u8bcd\u5411\u91cf）\u3002<\/p>\n<\/li>\n<\/li>\n
LSTM\u5c42（\u65f6\u5e8f\u7279\u5f81\u63d0\u53d6\u5c42）：<\/p>\n
\u91c7\u75283\u5c42\u53cc\u5411LSTM（BiLSTM），\u9690\u85cf\u5c42\u7ef4\u5ea6\u4e3a128，dropout=0.3（\u9632\u6b62\u8fc7\u62df\u5408），\u8fd9\u91ccdropout\u7684\u9632\u6b62\u8fc7\u62df\u5408\u7b56\u7565\u662f\u6240\u6709\u6a21\u578b\u901a\u7528\u7684，\u5728\u5176\u4ed6\u7f51\u7edc\u5982CNN\u540c\u6837\u9002\u7528\u3002\u539f\u7406\u662f\u6a21\u4eff\u4eba\u8111\u7684\u795e\u7ecf\u5143\u7ed3\u6784，\u56e0\u4e3a\u4eba\u8111\u4e5f\u4e0d\u662f\u6240\u6709\u795e\u7ecf\u5143\u90fd\u88ab\u540c\u65f6\u4f7f\u7528\u7684，\u8fd9\u91ccdropout=0.3\u8868\u793a\u4ee4\u767e\u5206\u4e4b\u4e09\u5341\u7684\u795e\u7ecf\u5143\u53c2\u6570w\u4e3a0\u3002<\/p>\n<\/li>\n
\u53cc\u5411LSTM\u7684\u4f18\u52bf：\u76f8\u6bd4\u5355\u5411LSTM，\u80fd\u540c\u65f6\u6355\u6349\u6587\u672c\u7684\u6b63\u5411（\u4ece\u5de6\u5230\u53f3）\u548c\u53cd\u5411（\u4ece\u53f3\u5230\u5de6）\u4e0a\u4e0b\u6587\u4fe1\u606f，\u6bd4\u5982\u53e5\u5b50\u300c\u8fd9\u90e8\u7535\u5f71\u5f00\u5934\u5f88\u5e73\u6de1，\u4f46\u7ed3\u5c3e\u5374\u975e\u5e38\u7cbe\u5f69\u300d，\u6b63\u5411LSTM\u6355\u6349\u5f00\u5934\u7684\u5e73\u6de1\u63cf\u8ff0，\u53cd\u5411LSTM\u6355\u6349\u7ed3\u5c3e\u7684\u7cbe\u5f69\u8bc4\u4ef7，\u4e24\u8005\u878d\u5408\u80fd\u66f4\u7cbe\u51c6\u5224\u65ad\u60c5\u611f\u503e\u5411，\u66f4\u9002\u5408\u60c5\u611f\u5206\u7c7b\u4efb\u52a1；<\/p>\n<\/li>\n
\u6838\u5fc3\u4f5c\u7528：\u63d0\u53d6\u6587\u672c\u7684\u65f6\u5e8f\u7279\u5f81，\u6355\u6349\u53e5\u5b50\u4e2d\u5b57\u7b26\u4e4b\u95f4\u7684\u8bed\u4e49\u5173\u8054（\u5982\u300c\u5f00\u5fc3\u300d\u300c\u6109\u5feb\u300d\u7b49\u8bcd\u7684\u60c5\u611f\u5173\u8054），\u8f93\u51fa\u7ef4\u5ea6\u4e3a[batch_size, 70, 256]（128\u00d72，\u53cc\u5411LSTM\u7684\u6b63\u5411\u548c\u53cd\u5411\u9690\u85cf\u5c42\u8f93\u51fa\u62fc\u63a5）\u3002<\/p>\n<\/li>\n<\/li>\n
\u5168\u8fde\u63a5\u5c42（\u5206\u7c7b\u5c42）：<\/p>\n
\u8f93\u5165\u7ef4\u5ea6\u4e3a256（\u53cc\u5411LSTM\u6700\u540e\u4e00\u6b65\u7684\u8f93\u51fa，\u5373[batch_size, 256]），\u8f93\u51fa\u7ef4\u5ea6\u4e3a4（\u5bf9\u5e944\u7c7b\u60c5\u611f）；<\/p>\n<\/li>\n
\u6838\u5fc3\u4f5c\u7528：\u5c06LSTM\u63d0\u53d6\u7684\u65f6\u5e8f\u7279\u5f81，\u6620\u5c04\u4e3a4\u7c7b\u60c5\u611f\u7684\u9884\u6d4b\u6982\u7387，\u5b8c\u6210\u6700\u7ec8\u7684\u5206\u7c7b\u4efb\u52a1\u3002<\/p>\n<\/li>\n<\/li>\n
\u8bad\u7ec3\u4e0e\u6d4b\u8bd5\u7684\u6838\u5fc3\u662f\u300c\u8ba9\u6a21\u578b\u5b66\u4e60\u5230\u6587\u672c\u4e0e\u60c5\u611f\u7684\u5173\u8054，\u540c\u65f6\u907f\u514d\u8fc7\u62df\u5408，\u786e\u4fdd\u6a21\u578b\u5728\u65b0\u6570\u636e\u4e0a\u7684\u6cdb\u5316\u80fd\u529b\u300d，\u5177\u4f53\u5206\u4e3a2\u6b65，\u52a0\u5165\u5b9e\u7528\u4f18\u5316\u7b56\u7565：<\/p>\n
\u8bad\u7ec3\u73af\u8282：<\/p>\n
\u4f18\u5316\u5668：\u9009\u7528Adam\u4f18\u5316\u5668（\u5b66\u4e60\u73870.001），\u6536\u655b\u901f\u5ea6\u5feb\u3001\u9002\u5408\u6df1\u5ea6\u5b66\u4e60\u4efb\u52a1，\u76f8\u6bd4SGD\u80fd\u66f4\u597d\u5730\u907f\u514d\u5c40\u90e8\u6700\u4f18；<\/p>\n<\/li>\n
\u635f\u5931\u51fd\u6570：\u9009\u7528\u4ea4\u53c9\u71b5\u635f\u5931\u51fd\u6570（F.cross_entropy），\u9002\u914d\u591a\u5206\u7c7b\u4efb\u52a1，\u80fd\u6709\u6548\u8861\u91cf\u9884\u6d4b\u6982\u7387\u4e0e\u771f\u5b9e\u6807\u7b7e\u4e4b\u95f4\u7684\u5dee\u8ddd；<\/p>\n<\/li>\n
\u76d1\u63a7\u7b56\u7565：\u6bcf100\u6279\u6b21\u8f93\u51fa\u4e00\u6b21\u8bad\u7ec3\u96c6\u635f\u5931\u3001\u8bad\u7ec3\u96c6\u51c6\u786e\u7387，\u4ee5\u53ca\u9a8c\u8bc1\u96c6\u635f\u5931\u3001\u9a8c\u8bc1\u96c6\u51c6\u786e\u7387，\u76f4\u89c2\u76d1\u63a7\u6a21\u578b\u8bad\u7ec3\u6548\u679c；<\/p>\n<\/li>\n
\u65e9\u505c\u7b56\u7565：\u82e5\u8fde\u7eed10000\u6279\u6b21\u9a8c\u8bc1\u96c6\u635f\u5931\u65e0\u63d0\u5347，\u81ea\u52a8\u505c\u6b62\u8bad\u7ec3，\u907f\u514d\u6a21\u578b\u8fc7\u5ea6\u8bad\u7ec3\u5bfc\u81f4\u8fc7\u62df\u5408；<\/p>\n<\/li>\n
\u6a21\u578b\u4fdd\u5b58：\u4fdd\u5b58\u9a8c\u8bc1\u96c6\u635f\u5931\u6700\u4f18\u7684\u6a21\u578b（TextRNN.ckpt），\u540e\u7eed\u6d4b\u8bd5\u548c\u9884\u6d4b\u76f4\u63a5\u52a0\u8f7d\u8be5\u6a21\u578b，\u65e0\u9700\u91cd\u65b0\u8bad\u7ec3\u3002<\/p>\n<\/li>\n
\u8bad\u7ec3\u53ef\u89c6\u5316：\u52a0\u5165TensorBoardX\u53ef\u89c6\u5316\u5de5\u5177，\u76d1\u63a7\u8bad\u7ec3\u8fc7\u7a0b\u4e2d\u7684\u635f\u5931\u548c\u51c6\u786e\u7387\u53d8\u5316，\u89e3\u51b3\u300c\u76f2\u8bad\u300d\u95ee\u9898，\u76f4\u89c2\u5224\u65ad\u6a21\u578b\u6536\u655b\u60c5\u51b5\u3002<\/p>\n<\/li>\n<\/li>\n
\u6d4b\u8bd5\u73af\u8282：<\/p>\n
\u52a0\u8f7d\u8bad\u7ec3\u597d\u7684\u6700\u4f18\u6a21\u578b，\u5207\u6362\u4e3a\u8bc4\u4f30\u6a21\u5f0f（model.eval()），\u5173\u95eddropout\u548c\u68af\u5ea6\u8ba1\u7b97，\u8282\u7701\u5185\u5b58；<\/p>\n<\/li>\n
\u5728\u6d4b\u8bd5\u96c6\u4e0a\u8fd0\u884c\u6a21\u578b，\u8ba1\u7b97\u6d4b\u8bd5\u96c6\u635f\u5931\u3001\u6d4b\u8bd5\u96c6\u51c6\u786e\u7387；<\/p>\n<\/li>\n
\u8f93\u51fa\u5206\u7c7b\u62a5\u544a，\u5305\u542b4\u7c7b\u60c5\u611f\u7684\u7cbe\u786e\u7387\u3001\u53ec\u56de\u7387\u3001F1\u503c，\u5168\u9762\u8bc4\u4f30\u6a21\u578b\u5728\u6bcf\u7c7b\u60c5\u611f\u4e0a\u7684\u5206\u7c7b\u6548\u679c（\u6bd4\u5982\u6a21\u578b\u5bf9\u300c\u559c\u60a6\u300d\u7c7b\u8bc4\u8bba\u7684\u8bc6\u522b\u51c6\u786e\u7387，\u5bf9\u300c\u4f4e\u843d\u300d\u7c7b\u8bc4\u8bba\u7684\u53ec\u56de\u7387\u7b49）\u3002<\/p>\n<\/li>\n<\/li>\n
\u4ee3\u7801\u6309\u300c\u529f\u80fd\u6a21\u5757\u5316\u300d\u62c6\u5206，\u6bcf\u4e2a\u6a21\u5757\u5355\u72ec\u4e00\u4e2a\u6587\u4ef6，\u7ed3\u6784\u6e05\u6670\u3001\u4fbf\u4e8e\u7ef4\u62a4\u548c\u590d\u7528，\u540c\u65f6\u6dfb\u52a0\u8be6\u7ec6\u6ce8\u91ca，\u65b0\u624b\u53ef\u9010\u6a21\u5757\u7406\u89e3，\u4e5f\u53ef\u76f4\u63a5\u590d\u5236\u5230\u5bf9\u5e94\u6587\u4ef6\u4e2d\u8fd0\u884c\u3002\u6240\u6709\u4ee3\u7801\u57fa\u4e8ePython 3.7+\u3001PyTorch 1.10+\u7f16\u5199，\u786e\u4fdd\u517c\u5bb9\u6027\u3002<\/p>\n
\u6838\u5fc3\u529f\u80fd：\u6784\u5efa\u5b57\u7b26\u7ea7\u8bcd\u8868，\u8fc7\u6ee4\u4f4e\u9891\u8bcd，\u4fdd\u5b58\u8bcd\u8868\u5230\u672c\u5730（\u4ec5\u9700\u8fd0\u884c\u4e00\u6b21）\u3002<\/p>\n
from tqdm import tqdm
\nimport pickle as pkl # \u7528\u4e8e\u4fdd\u5b58\/\u52a0\u8f7d\u8bcd\u8868<\/p>\n
max_vocab_size = 4760 # \u8bcd\u8868\u6700\u5927\u5bb9\u91cf
\nunk, pad = '<unk>', '<pad>' # \u672a\u77e5\u5b57\u7b26\/\u586b\u5145\u5b57\u7b26，\u4e0e\u540e\u7eed\u6570\u636e\u5904\u7406\u4fdd\u6301\u4e00\u81f4<\/p>\n
def build_vocab(file_path, max_size, min_freq):
\n """
\n \u6784\u5efa\u5b57\u7b26\u7ea7\u8bcd\u8868：\u5b57\u7b26\u5206\u8bcd+\u9891\u7387\u7edf\u8ba1+\u4f4e\u9891\u8fc7\u6ee4+\u4fdd\u5b58\u8bcd\u8868
\n :param file_path: \u6570\u636e\u96c6\u8def\u5f84（simplifyweibo_4_moods.csv）
\n :param max_size: \u8bcd\u8868\u6700\u5927\u5bb9\u91cf
\n :param min_freq: \u6700\u5c0f\u8bcd\u9891（\u4f4e\u4e8e\u8be5\u503c\u7684\u5b57\u7b26\u5c06\u88ab\u8fc7\u6ee4）
\n :return: \u6784\u5efa\u597d\u7684\u8bcd\u8868（\u5b57\u5178：\u5b57\u7b26\u2192\u7d22\u5f15）
\n """
\n # \u5b57\u7b26\u7ea7\u5206\u8bcd\u5668：\u9010\u4e2a\u62c6\u5206\u4e2d\u6587\u6c49\u5b57\/\u7b26\u53f7（\u9002\u914d\u4e2d\u6587\u5fae\u535a\u8bc4\u8bba\u573a\u666f）
\n tokenizer = lambda x: [y for y in x]
\n vocab_dict = {} # \u7528\u4e8e\u7edf\u8ba1\u5b57\u7b26\u9891\u7387（key：\u5b57\u7b26，value：\u9891\u7387）<\/p>\n
# \u8bfb\u53d6\u6570\u636e\u96c6，\u7edf\u8ba1\u5b57\u7b26\u9891\u7387
\n with open(file_path, 'r', encoding='utf-8') as f:
\n i = 0
\n for line in tqdm(f, desc="\u6b63\u5728\u6784\u5efa\u8bcd\u8868"):
\n if i == 0: # \u8df3\u8fc7\u6570\u636e\u96c6\u8868\u5934（\u7b2c\u4e00\u884c）
\n i += 1
\n continue
\n lin = line[2:].strip() # \u53bb\u6389\u6807\u7b7e（\u9996\u5b57\u7b26），\u63d0\u53d6\u6587\u672c\u5185\u5bb9
\n if not lin: # \u8df3\u8fc7\u7a7a\u884c（\u907f\u514d\u65e0\u6548\u6570\u636e）
\n continue
\n # \u7edf\u8ba1\u6bcf\u4e2a\u5b57\u7b26\u7684\u9891\u7387
\n for word in tokenizer(lin):
\n vocab_dict[word] = vocab_dict.get(word, 0) + 1<\/p>\n
# \u8fc7\u6ee4\u4f4e\u9891\u8bcd，\u5e76\u6309\u9891\u7387\u964d\u5e8f\u6392\u5e8f（\u4fdd\u7559\u9ad8\u9891\u5b57\u7b26）
\n vocab_list = sorted([_ for _ in vocab_dict.items() if _[1] >= min_freq],
\n key=lambda x: x[1], reverse=True)[:max_size]
\n # \u5c06\u5b57\u7b26\u6620\u5c04\u4e3a\u7d22\u5f15（\u4ece0\u5f00\u59cb）
\n vocab_dict = {word_count[0]: idx for idx, word_count in enumerate(vocab_list)}
\n # \u8865\u5145\u672a\u77e5\u5b57\u7b26（unk）\u548c\u586b\u5145\u5b57\u7b26（pad）\u7684\u7d22\u5f15（\u653e\u5728\u8bcd\u8868\u6700\u540e）
\n vocab_dict[unk] = len(vocab_dict)
\n vocab_dict[pad] = len(vocab_dict)<\/p>\n
# \u4fdd\u5b58\u8bcd\u8868\u5230\u672c\u5730（\u540e\u7eed\u6570\u636e\u5904\u7406\u3001\u9884\u6d4b\u65f6\u76f4\u63a5\u52a0\u8f7d，\u65e0\u9700\u91cd\u65b0\u6784\u5efa）
\n pkl.dump(vocab_dict, open('vocab.pkl', 'wb'))
\n print(f"\u8bcd\u8868\u6784\u5efa\u5b8c\u6210！\u8bcd\u8868\u603b\u5927\u5c0f：{len(vocab_dict)}（\u542bunk\u548cpad）") # \u9884\u671f\u5927\u5c0f：4762（4760+2）
\n print(f"\u8bcd\u8868\u793a\u4f8b：{list(vocab_dict.items())}")
\n return vocab_dict<\/p>\n
# \u8c03\u7528\u793a\u4f8b：\u8fd0\u884c\u8be5\u51fd\u6570\u6784\u5efa\u8bcd\u8868（\u4ec5\u9700\u8fd0\u884c\u4e00\u6b21）
\n# \u8bf7\u6839\u636e\u5b9e\u9645\u6570\u636e\u96c6\u8def\u5f84\u4fee\u6539file_path，min_freq\u5efa\u8bae\u8bbe\u4e3a5（\u8fc7\u6ee4\u6781\u4f4e\u9891\u5b57\u7b26）
\nbuild_vocab("simplifyweibo_4_moods.csv", max_vocab_size, min_freq=5) <\/p>\n
\u8fd0\u884c\u7ed3\u679c：![\"\"](\"https:\/\/www.wsisp.com\/helps\/wp-content\/uploads\/2026\/02\/20260205163252-6984c6347c22a.png\")
<\/p>\n
\u6838\u5fc3\u529f\u80fd：\u52a0\u8f7d\u8bcd\u8868，\u5904\u7406\u539f\u59cb\u6570\u636e（\u7edf\u4e00\u957f\u5ea6\u3001\u5b57\u7b26\u8f6c\u7d22\u5f15），\u62c6\u5206\u6570\u636e\u96c6，\u6784\u5efa\u6570\u636e\u8fed\u4ee3\u5668，\u9002\u914d\u6a21\u578b\u8f93\u5165\u3002<\/p>\n
from tqdm import tqdm
\nimport pickle as pkl
\nimport random
\nimport torch<\/p>\n
unk, pad = '<unk>', '<pad>' # \u4e0e\u8bcd\u8868\u6784\u5efa\u65f6\u4fdd\u6301\u4e00\u81f4<\/p>\n
def load_dataset(path, pad_size=70):
\n """
\n \u5904\u7406\u539f\u59cb\u6570\u636e：\u52a0\u8f7d\u8bcd\u8868\u2192\u5b57\u7b26\u8f6c\u7d22\u5f15\u2192\u7edf\u4e00\u53e5\u5b50\u957f\u5ea6\u2192\u62c6\u5206\u6570\u636e\u96c6
\n :param path: \u6570\u636e\u96c6\u8def\u5f84（simplifyweibo_4_moods.csv）
\n :param pad_size: \u53e5\u5b50\u7edf\u4e00\u957f\u5ea6（\u9ed8\u8ba470，\u4e0e\u4efb\u52a1\u8981\u6c42\u4e00\u81f4）
\n :return: \u8bcd\u8868\u3001\u8bad\u7ec3\u96c6\u3001\u9a8c\u8bc1\u96c6\u3001\u6d4b\u8bd5\u96c6
\n """
\n contents = [] # \u7528\u4e8e\u5b58\u50a8\u5904\u7406\u540e\u7684\u6570\u636e（\u6bcf\u4e2a\u5143\u7d20：(\u5b57\u7b26\u7d22\u5f15\u5217\u8868, \u6807\u7b7e, \u539f\u59cb\u53e5\u5b50\u957f\u5ea6)）
\n vocab = pkl.load(open('vocab.pkl', 'rb')) # \u52a0\u8f7d\u5df2\u6784\u5efa\u597d\u7684\u8bcd\u8868
\n tokenizer = lambda x: [y for y in x] # \u5b57\u7b26\u7ea7\u5206\u8bcd\u5668（\u4e0e\u8bcd\u8868\u6784\u5efa\u4e00\u81f4）<\/p>\n
# \u8bfb\u53d6\u5e76\u5904\u7406\u539f\u59cb\u6570\u636e
\n with open(path, 'r', encoding='utf-8') as f:
\n i = 0
\n for line in tqdm(f, desc="\u6b63\u5728\u5904\u7406\u6570\u636e"):
\n if i == 0: # \u8df3\u8fc7\u8868\u5934
\n i += 1
\n continue
\n if not line: # \u8df3\u8fc7\u7a7a\u884c
\n continue
\n # \u63d0\u53d6\u6807\u7b7e（\u9996\u5b57\u7b26，\u8f6c\u4e3a\u6574\u6570）\u548c\u6587\u672c\u5185\u5bb9（\u53bb\u6389\u6807\u7b7e\u548c\u6362\u884c\u7b26）
\n label = int(line[0])
\n content = line[2:].strip("\\\\n")<\/p>\n
# \u5b57\u7b26\u5206\u8bcd\u2192\u7edf\u4e00\u53e5\u5b50\u957f\u5ea6\u2192\u5b57\u7b26\u8f6c\u7d22\u5f15
\n token = tokenizer(content) # \u5206\u8bcd（\u9010\u4e2a\u5b57\u7b26）
\n seq_len = len(token) # \u8bb0\u5f55\u53e5\u5b50\u539f\u59cb\u957f\u5ea6（\u5907\u7528）
\n # \u7edf\u4e00\u957f\u5ea6：\u622a\u65ad\u6216\u586b\u5145
\n if seq_len >= pad_size:
\n token = token[:pad_size] # \u8d85\u8fc770，\u622a\u65ad\u591a\u4f59\u90e8\u5206
\n seq_len = pad_size
\n else:
\n token.extend([pad] * (pad_size – len(token))) # \u4e0d\u8db370，\u586b\u5145pad<\/p>\n
# \u5c06\u5b57\u7b26\u6620\u5c04\u4e3a\u7d22\u5f15（\u672a\u77e5\u5b57\u7b26\u7528unk\u7684\u7d22\u5f15）
\n words_line = [vocab.get(word, vocab[unk]) for word in token]
\n contents.append((words_line, label, seq_len))<\/p>\n
# \u968f\u673a\u6253\u4e71\u6570\u636e（\u8bbe\u7f6e\u968f\u673a\u79cd\u5b50\u53ef\u4fdd\u8bc1\u7ed3\u679c\u53ef\u590d\u73b0）
\n random.shuffle(contents)
\n # \u63098:1:1\u62c6\u5206\u8bad\u7ec3\u96c6\u3001\u9a8c\u8bc1\u96c6\u3001\u6d4b\u8bd5\u96c6
\n train_data = contents[:int(len(contents)*0.8)]
\n dev_data = contents[int(len(contents)*0.8):int(len(contents)*0.9)]
\n test_data = contents[int(len(contents)*0.9):]
\n return vocab, train_data, dev_data, test_data<\/p>\n
class DatasetIterater(object):
\n """\u6570\u636e\u8fed\u4ee3\u5668：\u5c06\u5904\u7406\u597d\u7684\u6570\u636e\u8f6c\u4e3aPyTorch\u5f20\u91cf，\u5e76\u6309\u6279\u6b21\u8fd4\u56de，\u9002\u914d\u6a21\u578b\u8bad\u7ec3\/\u6d4b\u8bd5"""
\n def __init__(self, batches, batch_size, device):
\n self.batch_size = batch_size # \u6279\u6b21\u5927\u5c0f（\u4e0emain.py\u4e2d\u4e00\u81f4）
\n self.batches = batches # \u8f93\u5165\u6570\u636e（\u8bad\u7ec3\/\u9a8c\u8bc1\/\u6d4b\u8bd5\u96c6）
\n self.n_batches = len(batches) \/\/ batch_size # \u603b\u6279\u6b21\u6570\u91cf（\u6574\u6570\u90e8\u5206）
\n self.residue = len(batches) % self.n_batches != 0 # \u662f\u5426\u6709\u5269\u4f59\u6570\u636e（\u4e0d\u8db3\u4e00\u4e2a\u6279\u6b21）
\n self.index = 0 # \u5f53\u524d\u6279\u6b21\u7d22\u5f15
\n self.device = device # \u6570\u636e\u52a0\u8f7d\u5230\u7684\u8bbe\u5907（CPU\/GPU）<\/p>\n
def _to_tensor(self, datas):
\n """\u5c06\u5355\u4e2a\u6279\u6b21\u7684\u6570\u636e\u8f6c\u4e3aPyTorch\u5f20\u91cf，\u9002\u914d\u6a21\u578b\u8f93\u5165\u683c\u5f0f"""
\n # x：\u5b57\u7b26\u7d22\u5f15\u5f20\u91cf（[batch_size, pad_size]）
\n x = torch.LongTensor([_[0] for _ in datas]).to(self.device)
\n # y：\u6807\u7b7e\u5f20\u91cf（[batch_size]）
\n y = torch.LongTensor([_[1] for _ in datas]).to(self.device)
\n # seq_len：\u53e5\u5b50\u539f\u59cb\u957f\u5ea6\u5f20\u91cf（\u5907\u7528，\u6a21\u578b\u672a\u7528\u5230，\u4ec5\u4fdd\u6301\u8f93\u5165\u683c\u5f0f\u7edf\u4e00）
\n seq_len = torch.LongTensor([_[2] for _ in datas]).to(self.device)
\n return (x, seq_len), y<\/p>\n
def __next__(self):
\n """\u8fed\u4ee3\u5668：\u8fd4\u56de\u4e0b\u4e00\u4e2a\u6279\u6b21\u7684\u6570\u636e，\u7ed3\u675f\u65f6\u629b\u51faStopIteration"""
\n if self.residue and self.index == self.n_batches:
\n # \u5904\u7406\u5269\u4f59\u6570\u636e（\u4e0d\u8db3\u4e00\u4e2a\u6279\u6b21）
\n batches = self.batches[self.index*self.batch_size:]
\n self.index += 1
\n return self._to_tensor(batches)
\n elif self.index >= self.n_batches:
\n # \u6240\u6709\u6279\u6b21\u8fed\u4ee3\u5b8c\u6210，\u91cd\u7f6e\u7d22\u5f15\u5e76\u629b\u51fa\u505c\u6b62\u4fe1\u53f7
\n self.index = 0
\n raise StopIteration
\n else:
\n # \u8fd4\u56de\u5f53\u524d\u6279\u6b21\u7684\u6570\u636e，\u7d22\u5f15\u52a01
\n batches = self.batches[self.index*self.batch_size:(self.index+1)*self.batch_size]
\n self.index += 1
\n return self._to_tensor(batches)<\/p>\n
def __iter__(self):
\n """\u8fd4\u56de\u8fed\u4ee3\u5668\u81ea\u8eab（\u9002\u914dfor\u5faa\u73af\u8fed\u4ee3）"""
\n return self<\/p>\n
def __len__(self):
\n """\u8fd4\u56de\u603b\u6279\u6b21\u6570\u91cf（\u542b\u5269\u4f59\u6279\u6b21）"""
\n return self.n_batches + 1 if self.residue else self.n_batches <\/p>\n
\u6838\u5fc3\u529f\u80fd：\u5b9a\u4e49LSTM\u6a21\u578b\u7ed3\u6784，\u9002\u914dEmbedding\u5c42\u3001\u53cc\u5411LSTM\u5c42\u3001\u5168\u8fde\u63a5\u5c42，\u8d34\u5408\u4efb\u52a1\u9700\u6c42\u548c\u6570\u636e\u683c\u5f0f\u3002<\/p>\n
import torch.nn as nn<\/p>\n
class Model(nn.Module):
\n def __init__(self, embedding_pretrained, n_vocab, embed, num_classes):
\n """
\n \u521d\u59cb\u5316LSTM\u6a21\u578b
\n :param embedding_pretrained: \u9884\u8bad\u7ec3\u8bcd\u5411\u91cf（None\u8868\u793a\u968f\u673a\u521d\u59cb\u5316）
\n :param n_vocab: \u8bcd\u8868\u5927\u5c0f
\n :param embed: \u8bcd\u5411\u91cf\u7ef4\u5ea6（\u9884\u8bad\u7ec3\u8bcd\u5411\u91cf\u4e3a200\u7ef4）
\n :param num_classes: \u7c7b\u522b\u6570（4\u7c7b\u60c5\u611f）
\n """
\n super(Model, self).__init__()
\n # 1. Embedding\u5c42（\u8bcd\u5411\u91cf\u5c42）
\n if embedding_pretrained is not None:
\n # \u7528\u9884\u8bad\u7ec3\u8bcd\u5411\u91cf\u521d\u59cb\u5316，\u5f00\u542f\u5fae\u8c03（freeze=False）
\n self.embedding = nn.Embedding.from_pretrained(
\n embedding_pretrained,
\n padding_idx=n_vocab-1, # pad\u7684\u7d22\u5f15\u4e3a\u8bcd\u8868\u6700\u540e\u4e00\u4f4d
\n freeze=False
\n )
\n else:
\n # \u65e0\u9884\u8bad\u7ec3\u8bcd\u5411\u91cf\u65f6，\u968f\u673a\u521d\u59cb\u5316\u8bcd\u5411\u91cf
\n self.embedding = nn.Embedding(n_vocab, embed, padding_idx=n_vocab-1)<\/p>\n
# 2. \u53cc\u5411LSTM\u5c42（\u65f6\u5e8f\u7279\u5f81\u63d0\u53d6）
\n self.lstm = nn.LSTM(
\n embed, 128, 3, # \u8f93\u5165\u7ef4\u5ea6（\u8bcd\u5411\u91cf\u7ef4\u5ea6）\u3001\u9690\u85cf\u5c42\u7ef4\u5ea6\u3001\u5c42\u6570
\n bidirectional=True, # \u5f00\u542f\u53cc\u5411
\n batch_first=True, # \u8f93\u5165\u683c\u5f0f：[batch_size, seq_len, embed_dim]
\n dropout=0.3 # dropout\u9632\u6b62\u8fc7\u62df\u5408（\u4ec5\u4e2d\u95f4\u5c42\u751f\u6548）
\n )<\/p>\n
# 3. \u5168\u8fde\u63a5\u5c42（\u5206\u7c7b\u5c42）：\u53cc\u5411LSTM\u8f93\u51fa\u7ef4\u5ea6=128\u00d72=256
\n self.fc = nn.Linear(128*2, num_classes)<\/p>\n
def forward(self, x):
\n """
\n \u6a21\u578b\u524d\u5411\u4f20\u64ad（\u8f93\u5165\u2192Embedding\u2192LSTM\u2192\u5168\u8fde\u63a5\u2192\u8f93\u51fa）
\n :param x: \u8f93\u5165\u6570\u636e（\u5143\u7ec4：(\u5b57\u7b26\u7d22\u5f15\u5f20\u91cf, \u53e5\u5b50\u957f\u5ea6\u5f20\u91cf)）
\n :return: \u6a21\u578b\u9884\u6d4b\u6982\u7387（[batch_size, num_classes]）
\n """
\n # x\u662f\u5143\u7ec4(x_idx, seq_len)，\u4ec5\u4f7f\u7528\u5b57\u7b26\u7d22\u5f15\u90e8\u5206（seq_len\u5907\u7528）
\n x, _ = x
\n # Embedding\u5c42：[batch_size, 70] \u2192 [batch_size, 70, 200]
\n out = self.embedding(x)
\n # LSTM\u5c42：\u8f93\u51fa[batch_size, 70, 256]，\u53d6\u6700\u540e\u4e00\u6b65\u8f93\u51fa[batch_size, 256]
\n out, _ = self.lstm(out)
\n out = out[:, -1, :] # \u53d6\u6700\u540e\u4e00\u6b65\u8f93\u51fa，\u4f5c\u4e3a\u6587\u672c\u7684\u6574\u4f53\u7279\u5f81
\n # \u5168\u8fde\u63a5\u5c42：[batch_size, 256] \u2192 [batch_size, 4]（4\u7c7b\u60c5\u611f\u7684\u9884\u6d4b\u6982\u7387）
\n out = self.fc(out)
\n return out <\/p>\n
\u6838\u5fc3\u529f\u80fd：\u5b9a\u4e49\u6a21\u578b\u8bad\u7ec3\u3001\u8bc4\u4f30\u3001\u6d4b\u8bd5\u51fd\u6570，\u52a0\u5165\u65e9\u505c\u7b56\u7565\u3001\u8bad\u7ec3\u53ef\u89c6\u5316，\u8f93\u51fa\u8bad\u7ec3\u65e5\u5fd7\u548c\u6d4b\u8bd5\u62a5\u544a\u3002<\/p>\n
import torch
\nimport torch.nn.functional as F
\nfrom sklearn import metrics
\nimport numpy as np
\nimport time
\nfrom tensorboardX import SummaryWriter # \u5bfc\u5165\u8bad\u7ec3\u53ef\u89c6\u5316\u5de5\u5177<\/p>\n
# \u521d\u59cb\u5316TensorBoardX\u65e5\u5fd7\u5199\u5165\u5668（\u65e5\u5fd7\u4fdd\u5b58\u5728runs\u76ee\u5f55）
\nwriter = SummaryWriter('runs\/lstm_weibo_sentiment')<\/p>\n
def train(model, train_iter, dev_iter, test_iter, class_list):
\n """\u6a21\u578b\u8bad\u7ec3：\u542b\u65e9\u505c\u7b56\u7565\u3001\u6a21\u578b\u4fdd\u5b58\u3001\u8bad\u7ec3\u53ef\u89c6\u5316"""
\n model.train() # \u5207\u6362\u4e3a\u8bad\u7ec3\u6a21\u5f0f（\u5f00\u542fdropout）
\n optimizer = torch.optim.Adam(model.parameters(), lr=0.001) # Adam\u4f18\u5316\u5668
\n total_batch = 0 # \u603b\u6279\u6b21\u8ba1\u6570\u5668
\n dev_best_loss = float('inf') # \u9a8c\u8bc1\u96c6\u6700\u4f18\u635f\u5931（\u521d\u59cb\u8bbe\u4e3a\u65e0\u7a77\u5927）
\n last_improve = 0 # \u6700\u540e\u4e00\u6b21\u9a8c\u8bc1\u96c6\u635f\u5931\u63d0\u5347\u7684\u6279\u6b21
\n flag = False # \u662f\u5426\u89e6\u53d1\u65e9\u505c
\n epochs = 20 # \u603b\u8bad\u7ec3\u8f6e\u6b21<\/p>\n
for epoch in range(epochs):
\n print(f"\\\\nEpoch [{epoch + 1}\/{epochs}]")
\n epoch_start_time = time.time()
\n for i, (trains, labels) in enumerate(train_iter):
\n # \u524d\u5411\u4f20\u64ad：\u8f93\u5165\u6570\u636e\u2192\u6a21\u578b\u8f93\u51fa\u2192\u8ba1\u7b97\u635f\u5931
\n outputs = model(trains)
\n loss = F.cross_entropy(outputs, labels)
\n # \u53cd\u5411\u4f20\u64ad：\u6e05\u7a7a\u68af\u5ea6\u2192\u8ba1\u7b97\u68af\u5ea6\u2192\u66f4\u65b0\u53c2\u6570
\n model.zero_grad()
\n loss.backward()
\n optimizer.step()<\/p>\n
# \u6bcf100\u6279\u6b21\u76d1\u63a7\u8bad\u7ec3\u96c6\/\u9a8c\u8bc1\u96c6\u6548\u679c，\u5e76\u5199\u5165TensorBoardX
\n if total_batch % 100 == 0:
\n # \u8ba1\u7b97\u8bad\u7ec3\u96c6\u51c6\u786e\u7387
\n predic = torch.max(outputs.data, 1)[1].cpu()
\n train_acc = metrics.accuracy_score(labels.data.cpu(), predic)
\n # \u8ba1\u7b97\u9a8c\u8bc1\u96c6\u51c6\u786e\u7387\u548c\u635f\u5931（\u5173\u95ed\u68af\u5ea6\u8ba1\u7b97，\u8282\u7701\u5185\u5b58）
\n dev_acc, dev_loss = evaluate(class_list, model, dev_iter)<\/p>\n
# \u4fdd\u5b58\u9a8c\u8bc1\u96c6\u635f\u5931\u6700\u4f18\u7684\u6a21\u578b
\n if dev_loss < dev_best_loss:
\n dev_best_loss = dev_loss
\n torch.save(model.state_dict(), 'TextRNN.ckpt')
\n last_improve = total_batch<\/p>\n
# \u6253\u5370\u76d1\u63a7\u4fe1\u606f
\n msg = "Iter: {0:>6}, Train Loss: {1:>5.2}, Train Acc: {2:>6.2%}, Val Loss: {3:>5.2}, Val Acc: {4:>6.2%}"
\n print(msg.format(total_batch, loss.item(), train_acc, dev_loss, dev_acc))<\/p>\n
# \u5199\u5165TensorBoardX（\u76d1\u63a7loss\u548caccuracy）
\n writer.add_scalar('train\/loss', loss.item(), total_batch)
\n writer.add_scalar('train\/accuracy', train_acc, total_batch)
\n writer.add_scalar('val\/loss', dev_loss, total_batch)
\n writer.add_scalar('val\/accuracy', dev_acc, total_batch)<\/p>\n
model.train() # \u56de\u5230\u8bad\u7ec3\u6a21\u5f0f（\u8bc4\u4f30\u6a21\u5f0f\u540e\u5207\u6362\u56de\u6765）<\/p>\n
total_batch += 1
\n # \u65e9\u505c\u7b56\u7565：\u8fde\u7eed10000\u6279\u6b21\u9a8c\u8bc1\u96c6\u635f\u5931\u65e0\u63d0\u5347，\u81ea\u52a8\u505c\u6b62\u8bad\u7ec3
\n if total_batch – last_improve > 10000:
\n print("\u957f\u65f6\u95f4\u65e0\u4f18\u5316，\u81ea\u52a8\u505c\u6b62\u8bad\u7ec3…")
\n flag = True
\n break
\n # \u6253\u5370\u672c\u8f6e\u8bad\u7ec3\u8017\u65f6
\n print(f"Epoch [{epoch+1}\/{epochs}] \u8017\u65f6：{time.time() – epoch_start_time:.2f}\u79d2")
\n if flag:
\n break
\n # \u8bad\u7ec3\u7ed3\u675f\u540e，\u5728\u6d4b\u8bd5\u96c6\u4e0a\u8bc4\u4f30\u6a21\u578b\u6548\u679c
\n test(model, test_iter, class_list)
\n # \u5173\u95edTensorBoardX\u65e5\u5fd7\u5199\u5165\u5668
\n writer.close()<\/p>\n
def evaluate(class_list, model, data_iter, test=False):
\n """\u8bc4\u4f30\u51fd\u6570：\u8ba1\u7b97\u51c6\u786e\u7387\/\u635f\u5931，\u6d4b\u8bd5\u65f6\u8fd4\u56de\u5206\u7c7b\u62a5\u544a"""
\n model.eval() # \u5207\u6362\u4e3a\u8bc4\u4f30\u6a21\u5f0f（\u5173\u95eddropout\u3001\u6279\u91cf\u5f52\u4e00\u5316）
\n loss_total = 0 # \u603b\u635f\u5931
\n predict_all = np.array([], dtype=int) # \u6240\u6709\u9884\u6d4b\u6807\u7b7e
\n labels_all = np.array([], dtype=int) # \u6240\u6709\u771f\u5b9e\u6807\u7b7e<\/p>\n
with torch.no_grad(): # \u5173\u95ed\u68af\u5ea6\u8ba1\u7b97，\u8282\u7701\u5185\u5b58，\u52a0\u5feb\u8bc4\u4f30\u901f\u5ea6
\n for texts, labels in data_iter:
\n outputs = model(texts)
\n loss = F.cross_entropy(outputs, labels)
\n loss_total += loss<\/p>\n
# \u6536\u96c6\u9884\u6d4b\u7ed3\u679c\u548c\u771f\u5b9e\u6807\u7b7e（\u8f6c\u4e3anumpy\u6570\u7ec4，\u4fbf\u4e8e\u8ba1\u7b97\u8bc4\u4f30\u6307\u6807）
\n labels = labels.data.cpu().numpy()
\n predic = torch.max(outputs.data, 1)[1].cpu().numpy()
\n labels_all = np.append(labels_all, labels)
\n predict_all = np.append(predict_all, predic)<\/p>\n
# \u8ba1\u7b97\u51c6\u786e\u7387（\u6240\u6709\u7c7b\u522b\u7684\u6574\u4f53\u51c6\u786e\u7387）
\n acc = metrics.accuracy_score(labels_all, predict_all)
\n if test:
\n # \u6d4b\u8bd5\u65f6，\u8fd4\u56de\u51c6\u786e\u7387\u3001\u5e73\u5747\u635f\u5931\u3001\u5206\u7c7b\u62a5\u544a（\u7cbe\u786e\u7387\u3001\u53ec\u56de\u7387\u3001F1\u503c）
\n report = metrics.classification_report(
\n labels_all, predict_all,
\n target_names=class_list,
\n digits=4 # \u4fdd\u75594\u4f4d\u5c0f\u6570，\u63d0\u5347\u7cbe\u5ea6
\n )
\n return acc, loss_total \/ len(data_iter), report
\n # \u9a8c\u8bc1\u65f6，\u4ec5\u8fd4\u56de\u51c6\u786e\u7387\u548c\u5e73\u5747\u635f\u5931
\n return acc, loss_total \/ len(data_iter)<\/p>\n
def test(model, test_iter, class_list):
\n """\u6d4b\u8bd5\u96c6\u8bc4\u4f30：\u52a0\u8f7d\u6700\u4f18\u6a21\u578b，\u8f93\u51fa\u6d4b\u8bd5\u7ed3\u679c\u548c\u5206\u7c7b\u62a5\u544a"""
\n # \u52a0\u8f7d\u8bad\u7ec3\u597d\u7684\u6700\u4f18\u6a21\u578b\u53c2\u6570
\n model.load_state_dict(torch.load('TextRNN.ckpt'))
\n model.eval() # \u5207\u6362\u4e3a\u8bc4\u4f30\u6a21\u5f0f
\n start_time = time.time()
\n # \u8ba1\u7b97\u6d4b\u8bd5\u96c6\u51c6\u786e\u7387\u3001\u5e73\u5747\u635f\u5931\u3001\u5206\u7c7b\u62a5\u544a
\n test_acc, test_loss, test_report = evaluate(class_list, model, test_iter, test=True)
\n # \u6253\u5370\u6d4b\u8bd5\u7ed3\u679c
\n print("\\\\n" + "="*50)
\n print("\u6d4b\u8bd5\u96c6\u8bc4\u4f30\u7ed3\u679c：")
\n msg = 'Test Loss: {0:>5.2}, Test Acc: {1:>6.2%}'
\n print(msg.format(test_loss, test_acc))
\n print("\\\\n\u5206\u7c7b\u62a5\u544a（\u7cbe\u786e\u7387\/\u53ec\u56de\u7387\/F1\u503c）：")
\n print(test_report)
\n print(f"\u6d4b\u8bd5\u8017\u65f6：{time.time() – start_time:.2f}\u79d2")
\n print("="*50) <\/p>\n
\u6838\u5fc3\u529f\u80fd：\u6574\u5408\u6240\u6709\u6a21\u5757，\u52a0\u8f7d\u6570\u636e\u3001\u521d\u59cb\u5316\u6a21\u578b\u3001\u542f\u52a8\u8bad\u7ec3，\u662f\u6574\u4e2a\u5b9e\u6218\u7684\u5165\u53e3\u6587\u4ef6，\u65b0\u624b\u53ea\u9700\u4fee\u6539\u5c11\u91cf\u53c2\u6570\u5373\u53ef\u8fd0\u884c\u3002<\/p>\n
import torch
\nimport numpy as np
\nimport load_dataset # \u5bfc\u5165\u6570\u636e\u52a0\u8f7d\u6a21\u5757
\nimport TextRNN # \u5bfc\u5165\u6a21\u578b\u6a21\u5757
\nfrom train_eval_test import train # \u5bfc\u5165\u8bad\u7ec3\u51fd\u6570<\/p>\n
# \u56fa\u5b9a\u968f\u673a\u79cd\u5b50（\u4fdd\u8bc1\u6a21\u578b\u8bad\u7ec3\u7ed3\u679c\u53ef\u590d\u73b0）
\nnp.random.seed(1)
\ntorch.manual_seed(1)
\ntorch.cuda.manual_seed_all(1)
\ntorch.backends.cudnn.deterministic = True<\/p>\n
# \u8bbe\u5907\u9009\u62e9：\u4f18\u5148\u4f7f\u7528GPU（\u8bad\u7ec3\u901f\u5ea6\u66f4\u5feb），\u65e0GPU\u5219\u4f7f\u7528CPU
\ndevice = "cuda" if torch.cuda.is_available() else "cpu"
\nprint(f"\u5f53\u524d\u4f7f\u7528\u8bbe\u5907：{device}")<\/p>\n
# 1. \u52a0\u8f7d\u5e76\u5904\u7406\u6570\u636e（\u6570\u636e\u96c6\u8def\u5f84\u8bf7\u6839\u636e\u5b9e\u9645\u60c5\u51b5\u4fee\u6539）
\nvocab, train_data, dev_data, test_data = load_dataset.load_dataset("simplifyweibo_4_moods.csv")
\n# \u6784\u5efa\u6570\u636e\u8fed\u4ee3\u5668（batch_size=128，\u53ef\u6839\u636eGPU\u663e\u5b58\u8c03\u6574）
\ntrain_iter = load_dataset.DatasetIterater(train_data, batch_size=128, device=device)
\ndev_iter = load_dataset.DatasetIterater(dev_data, batch_size=128, device=device)
\ntest_iter = load_dataset.DatasetIterater(test_data, batch_size=128, device=device)<\/p>\n
# 2. \u52a0\u8f7d\u9884\u8bad\u7ec3\u8bcd\u5411\u91cf（\u817e\u8baf\u8bcd\u5411\u91cf，200\u7ef4）
\n# \u82e5\u6ca1\u6709\u9884\u8bad\u7ec3\u8bcd\u5411\u91cf，\u8bbe\u4e3aembedding_pretrained = None（\u968f\u673a\u521d\u59cb\u5316）
\ntry:
\n embedding_pretrained = torch.tensor(np.load("embedding_Tencent.npz")["embeddings"].astype('float32'))
\nexcept FileNotFoundError:
\n raise Exception("\u672a\u627e\u5230\u9884\u8bad\u7ec3\u8bcd\u5411\u91cf\u6587\u4ef6embedding_Tencent.npz，\u8bf7\u786e\u8ba4\u6587\u4ef6\u8def\u5f84\u6b63\u786e！")<\/p>\n
# 3. \u6a21\u578b\u53c2\u6570\u914d\u7f6e（\u4e0e\u8bad\u7ec3\u65f6\u4fdd\u6301\u4e00\u81f4）
\nembed = embedding_pretrained.size(1) # \u8bcd\u5411\u91cf\u7ef4\u5ea6（200\u7ef4）
\nclass_list = ["\u559c\u60a6", "\u6124\u6012", "\u538c\u6076", "\u4f4e\u843d"] # \u60c5\u611f\u7c7b\u522b\u5217\u8868（\u4e0e\u6807\u7b7e0-3\u4e00\u4e00\u5bf9\u5e94）
\nnum_classes = len(class_list) # \u7c7b\u522b\u6570（4）
\nn_vocab = len(vocab) # \u8bcd\u8868\u5927\u5c0f（4762）<\/p>\n
# 4. \u521d\u59cb\u5316\u6a21\u578b，\u5e76\u52a0\u8f7d\u5230\u6307\u5b9a\u8bbe\u5907（CPU\/GPU）
\nmodel = TextRNN.Model(
\n embedding_pretrained,
\n n_vocab,
\n embed,
\n num_classes
\n).to(device)<\/p>\n
# 5. \u542f\u52a8\u6a21\u578b\u8bad\u7ec3（\u8bad\u7ec3\u5b8c\u6210\u540e\u81ea\u52a8\u8fdb\u884c\u6d4b\u8bd5）
\nprint("\\\\n" + "="*50)
\nprint("\u5f00\u59cb\u6a21\u578b\u8bad\u7ec3…")
\ntrain(model, train_iter, dev_iter, test_iter, class_list) <\/p>\n
\u6838\u5fc3\u529f\u80fd：\u8bad\u7ec3\u5b8c\u6210\u540e，\u9884\u6d4b\u5355\u4e2a\u5fae\u535a\u8bc4\u8bba\u7684\u60c5\u611f，\u9002\u914d\u5b9e\u6218\u573a\u666f，\u8f93\u5165\u53e5\u5b50\u5373\u53ef\u5f97\u5230\u9884\u6d4b\u7ed3\u679c\u3002<\/p>\n
import torch
\nimport pickle as pkl<\/p>\n
# \u5168\u5c40\u914d\u7f6e（\u4e0e\u8bad\u7ec3\u65f6\u4fdd\u6301\u4e00\u81f4）
\nunk, pad, PAD_SIZE = '<unk>', '<pad>', 70<\/p>\n
def predict(model, sentence, class_list):
\n """
\n \u9884\u6d4b\u5355\u4e2a\u53e5\u5b50\u7684\u60c5\u611f\u7c7b\u522b
\n :param model: \u8bad\u7ec3\u597d\u7684LSTM\u6a21\u578b
\n :param sentence: \u5f85\u9884\u6d4b\u7684\u5fae\u535a\u8bc4\u8bba（\u5b57\u7b26\u4e32）
\n :param class_list: \u60c5\u611f\u7c7b\u522b\u5217\u8868
\n :return: \u9884\u6d4b\u7ed3\u679c\u5b57\u5178（\u542b\u8f93\u5165\u53e5\u5b50\u3001\u9884\u6d4b\u7c7b\u522b\u3001\u5404\u7c7b\u522b\u6982\u7387）
\n """
\n model.eval() # \u5207\u6362\u4e3a\u8bc4\u4f30\u6a21\u5f0f
\n # \u52a0\u8f7d\u8bcd\u8868
\n try:
\n vocab = pkl.load(open('vocab.pkl', 'rb'))
\n except FileNotFoundError:
\n raise Exception("\u672a\u627e\u5230vocab.pkl\u6587\u4ef6，\u8bf7\u786e\u4fdd\u8be5\u6587\u4ef6\u5728\u5f53\u524d\u76ee\u5f55\u4e0b！")<\/p>\n
# \u6570\u636e\u9884\u5904\u7406（\u4e0e\u8bad\u7ec3\u65f6\u5b8c\u5168\u4e00\u81f4）
\n token = [y for y in sentence][:PAD_SIZE] if len(sentence)>=PAD_SIZE else [y for y in sentence] + [pad]*(PAD_SIZE-len(sentence))
\n idx = [vocab.get(w, vocab[unk]) for w in token]<\/p>\n
# \u6784\u5efa\u6a21\u578b\u8f93\u5165（\u9002\u914d\u6a21\u578b\u8f93\u5165\u683c\u5f0f）
\n x = torch.LongTensor([idx]).to(next(model.parameters()).device)
\n with torch.no_grad():
\n out = model((x, None))
\n pred_label = class_list[out.argmax(1).item()]
\n probs = torch.softmax(out, 1).cpu().numpy()[0].round(4)<\/p>\n
# \u8fd4\u56de\u9884\u6d4b\u7ed3\u679c
\n return {
\n "\u8f93\u5165\u53e5\u5b50": sentence,
\n "\u9884\u6d4b\u60c5\u611f\u7c7b\u522b": pred_label,
\n "\u5404\u7c7b\u522b\u6982\u7387": dict(zip(class_list, probs))
\n }<\/p>\n
# \u8c03\u7528\u793a\u4f8b（\u9700\u5148\u52a0\u8f7d\u8bad\u7ec3\u597d\u7684\u6a21\u578b）
\nif __name__ == "__main__":
\n # \u521d\u59cb\u5316\u6a21\u578b（\u53c2\u6570\u4e0e\u8bad\u7ec3\u65f6\u4e00\u81f4）
\n embedding_pretrained = torch.tensor(np.load("embedding_Tencent.npz")["embeddings"].astype('float32'))
\n vocab = pkl.load(open('vocab.pkl', 'rb'))
\n model = TextRNN.Model(embedding_pretrained, len(vocab), 200, 4)
\n # \u52a0\u8f7d\u8bad\u7ec3\u597d\u7684\u6a21\u578b\u53c2\u6570
\n model.load_state_dict(torch.load('TextRNN.ckpt', map_location=torch.device('cpu')))
\n # \u7c7b\u522b\u5217\u8868
\n class_list = ["\u559c\u60a6", "\u6124\u6012", "\u538c\u6076", "\u4f4e\u843d"]<\/p>\n
# \u6301\u7eed\u9884\u6d4b（\u8f93\u5165q\u7ed3\u675f）
\n print("===== \u5fae\u535a\u8bc4\u8bba\u60c5\u611f\u9884\u6d4b（\u8f93\u5165q\u7ed3\u675f）=====")
\n while True:
\n s = input("\u8bf7\u8f93\u5165\u5f85\u9884\u6d4b\u7684\u5fae\u535a\u8bc4\u8bba：").strip()
\n if s.lower() == 'q':
\n print("\u9884\u6d4b\u7ed3\u675f！")
\n break
\n if not s:
\n print("\u8f93\u5165\u4e0d\u80fd\u4e3a\u7a7a，\u8bf7\u91cd\u65b0\u8f93\u5165！")
\n continue
\n # \u6267\u884c\u9884\u6d4b\u5e76\u6253\u5370\u7ed3\u679c
\n result = predict(model, s, class_list)
\n print(f"\\\\n\u9884\u6d4b\u7ed3\u679c：{result['\u9884\u6d4b\u60c5\u611f\u7c7b\u522b']}")
\n print("\u5404\u7c7b\u522b\u6982\u7387：", result['\u5404\u7c7b\u522b\u6982\u7387'])
\n print("-"*50) <\/p>\n
\u8fd0\u884c\u7ed3\u679c：![\"\"](\"https:\/\/www.wsisp.com\/helps\/wp-content\/uploads\/2026\/02\/20260205163253-6984c6353e06a.png\")
<\/p>\n
\u4fee\u6b63\u300c4762\u7684\u72ec\u70ed\u7f16\u7801\u300d\u8868\u8ff0：\u5b9e\u9645\u662f\u300c\u5b57\u7b26\u7d22\u5f15\u2192\u8bcd\u5411\u91cf\u300d\u7684\u8f6c\u5316，\u8bcd\u8868\u5927\u5c0f\u4e3a4762（4760\u4e2a\u9ad8\u9891\u5b57\u7b26+unk+pad），\u72ec\u70ed\u7f16\u7801\u4f1a\u5bfc\u81f4\u7ef4\u5ea6\u7206\u70b8（4762\u7ef4），\u4e0d\u9002\u7528\u4e8e\u8be5\u4efb\u52a1，Embedding\u5c42\u53ef\u5c06\u5176\u538b\u7f29\u4e3a200\u7ef4\u8bcd\u5411\u91cf，\u66f4\u9002\u5408\u6a21\u578b\u8bad\u7ec3\u3002<\/p>\n<\/li>\n
\u8865\u5145\u300c\u65e9\u505c\u7b56\u7565\u300d\u300c\u8bad\u7ec3\u53ef\u89c6\u5316\u300d：\u539f\u59cb\u6d41\u7a0b\u672a\u63d0\u53ca\u8fc7\u62df\u5408\u89e3\u51b3\u65b9\u6848\u548c\u8bad\u7ec3\u76d1\u63a7\u65b9\u6cd5，\u8865\u5145\u540e\u53ef\u907f\u514d\u6a21\u578b\u8fc7\u5ea6\u8bad\u7ec3，\u540c\u65f6\u76f4\u89c2\u76d1\u63a7\u8bad\u7ec3\u8fc7\u7a0b，\u89e3\u51b3\u300c\u76f2\u8bad\u300d\u95ee\u9898\u3002<\/p>\n<\/li>\n
\u660e\u786e\u300c\u6253\u5305\u300d\u542b\u4e49：\u539f\u59cb\u6d41\u7a0b\u4e2d\u300c\u6253\u5305\u300d\u8868\u8ff0\u6a21\u7cca，\u4fee\u6b63\u4e3a\u300c\u6784\u5efa\u6570\u636e\u8fed\u4ee3\u5668，\u5c06\u5904\u7406\u597d\u7684\u6570\u636e\u8f6c\u4e3a\u5f20\u91cf\u5e76\u6309\u6279\u6b21\u52a0\u8f7d\u300d，\u9002\u914d\u6a21\u578b\u7684\u6279\u91cf\u8bad\u7ec3\u9700\u6c42，\u63d0\u5347\u8bad\u7ec3\u6548\u7387\u3002<\/p>\n<\/li>\n
\u8865\u5145\u300c\u5355\u4e2a\u53e5\u5b50\u9884\u6d4b\u529f\u80fd\u300d：\u539f\u59cb\u6d41\u7a0b\u4ec5\u5305\u542b\u8bad\u7ec3\u6d4b\u8bd5，\u8865\u5145\u9884\u6d4b\u51fd\u6570，\u5b9e\u73b0\u5b9e\u6218\u843d\u5730，\u8f93\u5165\u4efb\u610f\u5fae\u535a\u8bc4\u8bba\u5373\u53ef\u5f97\u5230\u60c5\u611f\u9884\u6d4b\u7ed3\u679c\u3002<\/p>\n<\/li>\n<\/ul>\n
\u672c\u6b21\u5b9e\u6218\u57fa\u4e8eLSTM\u7f51\u7edc\u5b8c\u6210\u4e86\u5fae\u535a\u8bc4\u8bba\u60c5\u611f\u5206\u7c7b\u4efb\u52a1，\u8986\u76d6\u4e86\u6587\u672c\u5206\u7c7b\u7684\u5b8c\u6574\u6d41\u7a0b，\u6838\u5fc3\u8981\u70b9\u5982\u4e0b：<\/p>\n
\u6570\u636e\u5904\u7406\u662f\u57fa\u7840：\u5b57\u7b26\u7ea7\u5904\u7406\u9002\u914d\u4e2d\u6587\u5fae\u535a\u573a\u666f，\u7edf\u4e00\u53e5\u5b50\u957f\u5ea6\u3001\u6784\u5efa\u8bcd\u8868\u5e76\u8fc7\u6ee4\u4f4e\u9891\u8bcd，\u80fd\u6709\u6548\u51cf\u5c11\u6a21\u578b\u5197\u4f59，\u63d0\u5347\u8bad\u7ec3\u6548\u7387\u548c\u6a21\u578b\u6548\u679c；<\/p>\n<\/li>\n
\u6a21\u578b\u8bbe\u8ba1\u8981\u8d34\u5408\u4efb\u52a1：\u53cc\u5411LSTM\u80fd\u6355\u6349\u6587\u672c\u4e0a\u4e0b\u6587\u53cc\u5411\u7279\u5f81，\u6bd4\u5355\u5411LSTM\u66f4\u9002\u5408\u60c5\u611f\u5206\u7c7b；\u9884\u8bad\u7ec3\u8bcd\u5411\u91cf\u7684\u4f7f\u7528\u7684\u80fd\u6709\u6548\u63d0\u5347\u6a21\u578b\u7684\u8bed\u4e49\u7406\u89e3\u80fd\u529b，\u5f00\u542f\u5fae\u8c03\u540e\u80fd\u66f4\u597d\u9002\u914d\u5f53\u524d\u4efb\u52a1；<\/p>\n<\/li>\n
\u8bad\u7ec3\u7b56\u7565\u662f\u5173\u952e：\u65e9\u505c\u7b56\u7565\u907f\u514d\u8fc7\u62df\u5408，Adam\u4f18\u5316\u5668\u52a0\u5feb\u6536\u655b，\u8bad\u7ec3\u53ef\u89c6\u5316\u80fd\u76f4\u89c2\u76d1\u63a7\u6a21\u578b\u8bad\u7ec3\u8fc7\u7a0b，\u8fd9\u4e9b\u6280\u5de7\u5728\u5b9e\u6218\u4e2d\u975e\u5e38\u5b9e\u7528；<\/p>\n<\/li>\n
\u6a21\u5757\u5316\u4ee3\u7801\u66f4\u6613\u7ef4\u62a4：\u5c06\u8bcd\u8868\u6784\u5efa\u3001\u6570\u636e\u52a0\u8f7d\u3001\u6a21\u578b\u5b9a\u4e49\u3001\u8bad\u7ec3\u6d4b\u8bd5\u62c6\u5206\u5230\u4e0d\u540c\u6a21\u5757，\u7ed3\u6784\u6e05\u6670，\u4fbf\u4e8e\u540e\u7eed\u4fee\u6539\u548c\u590d\u7528\u3002<\/p>\n<\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"
\u76ee\u5f55 \u4e00\u3001\u4efb\u52a1\u660e\u786e
\n1. \u4efb\u52a1\u76ee\u6807
\n2. \u6838\u5fc3\u8981\u6c42
\n\u4e8c\u3001\u6838\u5fc3\u601d\u8def
\n\u4e09\u3001\u6d41\u7a0b\u8bbe\u8ba1
\n\u9636\u6bb51：\u539f\u59cb\u6570\u636e\u5904\u7406（\u6838\u5fc3：\u5b57\u7b26\u2192\u7d22\u5f15\u2192\u6279\u6b21\u5f20\u91cf，\u9002\u914d\u6a21\u578b\u8f93\u5165）
\n\u9636\u6bb52：LSTM\u6a21\u578b\u6784\u5efa（\u6838\u5fc3：\u8bcd\u5411\u91cf\u2192\u65f6\u5e8f\u7279\u5f81\u2192\u60c5\u611f\u5206\u7c7b）
\n\u9636\u6bb53：\u8bad\u7ec3\u4e0e\u6d4b\u8bd5（\u6838\u5fc3：\u4f18\u5316\u6a21\u578b\u53c2\u6570，\u8bc4\u4f30\u6a21\u578b\u6548\u679c）
\n\u56db\u3001<\/p>\n","protected":false},"author":2,"featured_media":72571,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[2951,50,2395],"topic":[],"class_list":["post-72574","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-server","tag-lstm","tag-50","tag-2395"],"yoast_head":"\n