机器学习、深度学习、文本分类、异常检测、风控等知识的积累和分享

LSTM是专门用于处理序列数据（文本序列、时间序列）等的RNN模型之一，本文分别按照embedding+LSTM、word2vec预训练模型+双向LSTM两种方式进行文本分类的代码实战，附带LSTM层参数详解，尽可能给读者带来多的收获

本文介绍embedding原理，并分别按照embedding+DNN、word2vec预训练模型+DNN、word2vec+DNN微调三种方式进行文本分类的代码实战，附带参数详解，尽可能给读者带来多的收获

Word2Vec有两种主要的模型架构：连续词袋模型（Continuous Bag of Words，简称CBOW）和跳字模型（Skip-gram）。训练Word2Vec的核心目标是通过调整单词向量的权重，使得模型能够最小化实际上下文单词的预测误差，得到的词向量可用于文本分类、文本相似度、推荐等下游任务。通过多次迭代，模型将学习到单词向量，这些向量在向量空间中能够捕获单词之间的语义关系，使得具有相似语义的单词在向量空间中距离较近。