天才一秒记住【畅想小说网】地址：http://www.cxtra.net
虽然精度也许会不断提升，但是检验精度也许会下降，这就说明网络在训练集上已经过拟合了，此时应该停止训练。
准确率与很多因素有关，调整网络结构、网络参数、增加标注数据、训练更好的词向量等方式都可以有效地提高识别准确率。
本教材所使用的模型并未经过仔细调整，读者可以尝试各种调整方式以取得更好的识别效果。
接下来介绍识别模块，代码如下。
#导入需要使用的库并设定参数
importsys
fromkeras.modelsimportload_model
importnumpyasnp
np.randoseed（1337）
fromlstmimportinput_transform
importmultiprog
vocab_dim=100
maxlen=100
&ions=1
n_exposures=10
window_size=10
batch_size=30
n_epoch=10
ih=100
ultiprog.t（）
argvs_length=len（sys.argv）
argvs=sys.argv
&ence表示需要识别情绪的句子，在识别过程中通过读取交互控制台
#输入的命令中的最后一个参数获得
&ence=argvs[-1]
#载入训练好的模型
print（"loadingmodel......"）
model=load_model（'lsth5'）
model.pile（loss='binary_tropy'，
optimizer='adam'，metrics=['accuracy']）
#调用lstm模块中的转换函数，把识别对象转换成与模型的输入数据相符的格式
print（'当前文本为：'，test_sentence）
data=input_traence）
data.reshape（1，-1）
#调用训练好的情绪识别网络进行预测，并打印预测结果
&=model.predict_classes（data）
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！