Tensorflow实现LSTM文本分类

最近需要写一个神经网络模型来做分类。

作为此前没有实战过深度学习，只写过SVM之类的，学习过一些理论知识的新手，为了快速上手，第一想法就是找一个简单的demo跑通，对整个流程和结构有一个初步体验。于是在网上找了一个Tensorflow实战系列：手把手教你使用LSTM进行文本分类

但是教程存在一个问题，是没有把数据集分成训练和预测两个部分，导致学习过程中学习数据和预测数据产生混淆，让我有些迷茫，然后通过学习单个函数和尝试，跑通了代码。添加内容：

• 个别函数加入学习注释
• 新增预测样本，修改预测部分，把预测和训练两部分样本分离

遗留问题：之前写机器学习的时候习惯使用交叉验证(cross validation)，在这个代码中没有看到有验证部分，后续会开始写需要写的代码，并看一些比这个稍微再复杂一些的代码，进一步了解深度学习编程。

# -*- coding: utf-8 -*-
import tensorflow as tf
from tensorflow.contrib import learn
import numpy as np
from tensorflow.python.ops.rnn import static_rnn
from tensorflow.python.ops.rnn_cell_impl import BasicLSTMCell

# 数据
positive_texts = [
	"我 今天 很 开心",
	"我 很 高兴",
	"他 很 高兴",
	"他 很 开心"
]
negative_texts = [
	"我 不 高兴",
	"我 不 开心",
	"他 很 不 高兴",
	"他 很 生气"
]
label_name_dict = {
   
	0: "正面情感",
	1: "负面情感"
}
pre_texts = [
	"谁 今天 不 开心",