使用LSTM训练分类模型（kreas+tensorflow）

github链接：https://github.com/fangxiaozhu/Classification-model

需求描述：基于构建简单的多分类模型需求，使用的是keras深度学习库实现的，实现代码简单可用，模型优点是训练速度快，准确率达97%，适合粗粒度分类。

实现步骤：1、预处理数据：包括构建自定义词典、分词、去停用词等，处理成类似这样的训练数据格式

2、预训练word2vec模型：这里使用的是26万相关业务语料训练，保存成query.all.split.pkl模型，然后用pickle反序列化的方式进行加载。

3、得到训练集和验证集：用train_test_split按照0.15的比例将数据集划分为训练集和测试集，将文字通过word2vec字典转为词向量，根据句子最大长度进行padding补零，再转为numpy矩阵；将label转为one_hot向量，转为numpy矩阵。

4、加载sklearn中的model，自定义模型的输入和输出，输入的形状是句子最大长度；定义一个embedding层，lstm层，dropout层，全连接层（50层），激活函数是sigmoid，再过一个dropout层和全连接层（sigmoid），得到模型的输出。

5、训练和验证模型后，将模型保存到本地，这里用的是tensorflow的方式进行模型保存