使用keras+lstm网络来训练一个情感分析模型，但是loss到0.4，acc到78%以后就不变了
模型
word_lens = 150 # 最多200个词
word2index, word2vec = get_word_dict()
n_symbols = len(word2index) + 1 # 索引数字的个数，因为有的词语索引为0，所以+1
embedding_weights = np.zeros((n_symbols, 100)) # 创建一个n_symbols * 100的0矩阵
for w, index in word2index.items(): # 从索引为1的词语开始，用词向量填充矩阵
embedding_weights[index, :] = word2vec[w] # 词向量矩阵，第一行是0向量（没有索引为0的词语，未被填充）
X_train, X_test, y_train, y_test = train_test_split(*load_data(), test_size=0.2, random_state=44)
self._model = Sequential()
self._model.add(Embedding(output_dim=100,
input_dim=n_symbols,
mask_zero=True,
weights=[embedding_weights],
input_length=word_lens))
# dropout = 0.2, recurrent_dropout = 0.2,
self._model.add(LSTM(units=64, activation='sigmoid', recurrent_activation='hard_sigmoid'))
self._model.add(Dropout(0.5))
self._model.add(Dense(2, activation='sigmoid'))
optimizer = optimizers.Adam(lr=0.0002)
self._model.compile(loss='binary_crossentropy', optimizer=optimizer, metrics=['accuracy'])
self._mode.fit(X_train, y_train, batch_size=64, epochs=30)
数据
数据的话，是3w负面，3w非负面。
只需要对数据进行二分类即可。
问题
刚开始的时候loss还一直下降，但是不管怎么调整到最后都是到loss=0.4x, acc=0.7x就不变了。
所以想请问一下各位大佬这是为啥呀。
回答：
你可以试试带momentum的SGD优化器，重新训练。 Adam收敛较快,但有时会无法达到最优的收敛结果，可以参考这篇博文。
本人之前同样遇到过类似问题，使用SGD重新训练， 最后得到了更好的收敛结果。
希望对你有帮助。
以上是 使用keras+lstm网络来训练一个情感分析模型，但是loss到0.4，acc到78%以后就不变了 的全部内容， 来源链接： utcz.com/p/937829.html
