[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-yongzhuo--Keras-TextClassification":3,"tool-yongzhuo--Keras-TextClassification":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",145895,2,"2026-04-08T11:32:59",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":76,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":89,"env_os":90,"env_gpu":91,"env_ram":92,"env_deps":93,"category_tags":102,"github_topics":104,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":125,"updated_at":126,"faqs":127,"releases":167},5515,"yongzhuo\u002FKeras-TextClassification","Keras-TextClassification","中文长文本分类、短句子分类、多标签分类、两句子相似度（Chinese Text Classification of Keras NLP, multi-label classify, or sentence classify, long or short），字词句向量嵌入层（embeddings）和网络层（graph）构建基类，FastText，TextCNN，CharCNN，TextRNN, RCNN, DCNN, DPCNN, VDCNN, CRNN, Bert, Xlnet, Albert, Attention, DeepMoji, HAN, 胶囊网络-CapsuleNet, Transformer-encode, Seq2seq, SWEM, LEAM, TextGCN","Keras-TextClassification 是一个专为中文文本处理打造的开源深度学习工具包，旨在帮助开发者轻松构建高效的文本分类模型。它主要解决了中文场景下长文本、短句子、多标签分类以及句子相似度计算等常见难题，让复杂的自然语言处理任务变得简单可控。\n\n无论是需要快速验证想法的算法工程师，还是致力于学术研究的研究人员，都能从中受益。该工具最大的亮点在于其丰富的模型库，不仅囊括了 FastText、TextCNN、TextRNN 等经典轻量级模型，还深度集成了 BERT、XLNet、ALBERT、CapsuleNet 及 Transformer 等前沿预训练架构。用户无需从零编写繁琐的网络代码，只需通过简单的配置即可调用这些先进的字词向量嵌入层和网络结构进行训练与预测。此外，项目还提供了完整的示例代码和数据处理流程，支持自定义词向量加载，极大地降低了中文 NLP 项目的上手门槛，是进行中文文本挖掘与分析的得力助手。","# [Keras-TextClassification](https:\u002F\u002Fgithub.com\u002Fyongzhuo\u002FKeras-TextClassification)\n\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002FKeras-TextClassification)](https:\u002F\u002Fpypi.org\u002Fproject\u002FKeras-TextClassification\u002F)\n[![Build Status](https:\u002F\u002Ftravis-ci.com\u002Fyongzhuo\u002FKeras-TextClassification.svg?branch=master)](https:\u002F\u002Ftravis-ci.com\u002Fyongzhuo\u002FKeras-TextClassification)\n[![PyPI_downloads](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fdm\u002FKeras-TextClassification)](https:\u002F\u002Fpypi.org\u002Fproject\u002FKeras-TextClassification\u002F)\n[![Stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fyongzhuo\u002FKeras-TextClassification?style=social)](https:\u002F\u002Fgithub.com\u002Fyongzhuo\u002FKeras-TextClassification\u002Fstargazers)\n[![Forks](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fyongzhuo\u002FKeras-TextClassification.svg?style=social)](https:\u002F\u002Fgithub.com\u002Fyongzhuo\u002FKeras-TextClassification\u002Fnetwork\u002Fmembers)\n[![Join the chat at https:\u002F\u002Fgitter.im\u002Fyongzhuo\u002FKeras-TextClassification](https:\u002F\u002Fbadges.gitter.im\u002Fyongzhuo\u002FKeras-TextClassification.svg)](https:\u002F\u002Fgitter.im\u002Fyongzhuo\u002FKeras-TextClassification?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge&utm_content=badge)\n\n\n\n# Install(安装)\n\n```bash\npip install Keras-TextClassification\n```\n\n```python\nstep2: download and unzip the dir of 'data.rar', 地址: 链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1pIDzGaGXCZ7cjng1XU_kPA 提取码：w6ps 压缩包密码: 2022\n cover the dir of data to anaconda, like '\u002Fanaconda\u002F3.5.1\u002Fenvs\u002Ftensorflow13\u002FLib\u002Fsite-packages\u002Fkeras_textclassification\u002Fdata'\nstep3: goto # Train&Usage(调用) and Predict&Usage(调用)\n```\n\n# keras_textclassification（代码主体,未完待续...）\n - Electra-fineture(todo)\n - Albert-fineture\n - Xlnet-fineture\n - Bert-fineture\n - FastText\n - TextCNN\n - charCNN\n - TextRNN\n - TextRCNN\n - TextDCNN\n - TextDPCNN\n - TextVDCNN\n - TextCRNN\n - DeepMoji\n - SelfAttention\n - HAN\n - CapsuleNet\n - Transformer-encode\n - SWEM\n - LEAM\n - TextGCN(todo)\n\n\n# run(运行, 以FastText为例)\n - 1. 进入keras_textclassification\u002Fm01_FastText目录，\n - 2. 训练: 运行 train.py, 例如: python train.py\n - 3. 预测: 运行 predict.py, 例如: python predict.py\n - 说明: 默认不带pre train的random embedding，训练和验证语料只有100条，完整语料移步下面data查看下载\n\n# run(多标签分类\u002FEmbedding\u002Ftest\u002Fsample实例)\n - bert,word2vec,random样例在test\u002F目录下, 注意word2vec(char or word), random-word, bert(chinese_L-12_H-768_A-12)未全部加载,需要下载\n - multi_multi_class\u002F目录下以text-cnn为例进行多标签分类实例，转化为multi-onehot标签类别，分类则取一定阀值的类\n - sentence_similarity\u002F目录下以bert为例进行两个句子文本相似度计算,数据格式如data\u002Fsim_webank\u002F目录下所示\n - predict_bert_text_cnn.py\n - tet_char_bert_embedding.py\n - tet_char_bert_embedding.py\n - tet_char_xlnet_embedding.py\n - tet_char_random_embedding.py\n - tet_char_word2vec_embedding.py\n - tet_word_random_embedding.py\n - tet_word_word2vec_embedding.py\n\n# keras_textclassification\u002Fdata\n - 数据下载\n ** github项目中只是上传部分数据，需要的前往链接: https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1I3vydhmFEQ9nuPG2fDou8Q 提取码: rket\n - baidu_qa_2019（百度qa问答语料，只取title作为分类样本，17个类，有一个是空''，已经压缩上传）\n - baike_qa_train.csv\n - baike_qa_valid.csv\n - byte_multi_news（今日头条2018新闻标题多标签语料，1070个标签，fate233爬取, 地址为: [byte_multi_news](https:\u002F\u002Fgithub.com\u002Ffate233\u002Ftoutiao-multilevel-text-classfication-dataset)）\n -labels.csv\n -train.csv\n -valid.csv\n - embeddings\n - chinese_L-12_H-768_A-12\u002F(取谷歌预训练好点的模型,已经压缩上传,\n keras-bert还可以加载百度版ernie(需转换，[https:\u002F\u002Fgithub.com\u002FArthurRizar\u002Ftensorflow_ernie](https:\u002F\u002Fgithub.com\u002FArthurRizar\u002Ftensorflow_ernie)),\n 哈工大版bert-wwm(tf框架，[https:\u002F\u002Fgithub.com\u002Fymcui\u002FChinese-BERT-wwm](https:\u002F\u002Fgithub.com\u002Fymcui\u002FChinese-BERT-wwm))\n - albert_base_zh\u002F(brightmart训练的albert, 地址为https:\u002F\u002Fgithub.com\u002Fbrightmart\u002Falbert_zh)\n - chinese_xlnet_base_L-12_H-768_A-12\u002F(哈工大预训练的中文xlnet模型[https:\u002F\u002Fgithub.com\u002Fymcui\u002FChinese-PreTrained-XLNet],12层)\n - term_char.txt(已经上传, 项目中已全, wiki字典, 还可以用新华字典什么的)\n - term_word.txt(未上传, 项目中只有部分, 可参考词向量的)\n - w2v_model_merge_short.vec(未上传, 项目中只有部分, 词向量, 可以用自己的)\n - w2v_model_wiki_char.vec(已上传百度网盘, 项目中只有部分, 自己训练的维基百科字向量, 可以用自己的)\n - model\n - fast_text\u002F预训练模型存放地址\n\n# 项目说明\n - 1. 构建了base基类(网络(graph)、向量嵌入(词、字、句子embedding)),后边的具体模型继承它们，代码简单\n - 2. keras_layers存放一些常用的layer, conf存放项目数据、模型的地址, data存放数据和语料, data_preprocess为数据预处理模块,\n\n\n# 模型与论文paper题与地址\n* FastText: [Bag of Tricks for Efficient Text Classification](https:\u002F\u002Farxiv.org\u002Fabs\u002F1607.01759)\n* TextCNN： [Convolutional Neural Networks for Sentence Classification](https:\u002F\u002Farxiv.org\u002Fabs\u002F1408.5882)\n* charCNN-kim： [Character-Aware Neural Language Models](https:\u002F\u002Farxiv.org\u002Fabs\u002F1508.06615)\n* charCNN-zhang: [Character-level Convolutional Networks for Text Classification](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1509.01626.pdf)\n* TextRNN： [Recurrent Neural Network for Text Classification with Multi-Task Learning](https:\u002F\u002Fwww.ijcai.org\u002FProceedings\u002F16\u002FPapers\u002F408.pdf)\n* RCNN： [Recurrent Convolutional Neural Networks for Text Classification](http:\u002F\u002Fwww.nlpr.ia.ac.cn\u002Fcip\u002F~liukang\u002FliukangPageFile\u002FRecurrent%20Convolutional%20Neural%20Networks%20for%20Text%20Classification.pdf)\n* DCNN: [A Convolutional Neural Network for Modelling Sentences](https:\u002F\u002Farxiv.org\u002Fabs\u002F1404.2188)\n* DPCNN: [Deep Pyramid Convolutional Neural Networks for Text Categorization](https:\u002F\u002Fwww.aclweb.org\u002Fanthology\u002FP17-1052)\n* VDCNN: [Very Deep Convolutional Networks](https:\u002F\u002Fwww.aclweb.org\u002Fanthology\u002FE17-1104)\n* CRNN: [A C-LSTM Neural Network for Text Classification](https:\u002F\u002Farxiv.org\u002Fabs\u002F1511.08630)\n* DeepMoji: [Using millions of emojio ccurrences to learn any-domain represent ations for detecting sentiment, emotion and sarcasm](https:\u002F\u002Farxiv.org\u002Fabs\u002F1708.00524)\n* SelfAttention: [Attention Is All You Need](https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.03762)\n* HAN: [Hierarchical Attention Networks for Document Classification](https:\u002F\u002Fwww.cs.cmu.edu\u002F~diyiy\u002Fdocs\u002Fnaacl16.pdf)\n* CapsuleNet: [Dynamic Routing Between Capsules](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1710.09829.pdf)\n* Transformer(encode or decode): [Attention Is All You Need](https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.03762)\n* Bert: [BERT: Pre-trainingofDeepBidirectionalTransformersfor LanguageUnderstanding]()\n* Xlnet: [XLNet: Generalized Autoregressive Pretraining for Language Understanding](https:\u002F\u002Farxiv.org\u002Fabs\u002F1906.08237)\n* Albert: [ALBERT: A LITE BERT FOR SELF-SUPERVISED LEARNING OF LANGUAGE REPRESENTATIONS](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1909.11942.pdf)\n* RoBERTa: [RoBERTa: A Robustly Optimized BERT Pretraining Approach](https:\u002F\u002Farxiv.org\u002Fabs\u002F1907.11692)\n* ELECTRA: [ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators](https:\u002F\u002Fopenreview.net\u002Fpdf?id=r1xMH1BtvB)\n* TextGCN: [Graph Convolutional Networks for Text Classification](https:\u002F\u002Farxiv.org\u002Fabs\u002F1809.05679)\n\n\n# 参考\u002F感谢\n* 文本分类项目: [https:\u002F\u002Fgithub.com\u002Fmosu027\u002FTextClassification](https:\u002F\u002Fgithub.com\u002Fmosu027\u002FTextClassification)\n* 文本分类看山杯: [https:\u002F\u002Fgithub.com\u002Fbrightmart\u002Ftext_classification](https:\u002F\u002Fgithub.com\u002Fbrightmart\u002Ftext_classification)\n* Kashgari项目: [https:\u002F\u002Fgithub.com\u002FBrikerMan\u002FKashgari](https:\u002F\u002Fgithub.com\u002FBrikerMan\u002FKashgari)\n* 文本分类Ipty : [https:\u002F\u002Fgithub.com\u002Flpty\u002Fclassifier](https:\u002F\u002Fgithub.com\u002Flpty\u002Fclassifier)\n* keras文本分类: [https:\u002F\u002Fgithub.com\u002FShawnyXiao\u002FTextClassification-Keras](https:\u002F\u002Fgithub.com\u002FShawnyXiao\u002FTextClassification-Keras)\n* keras文本分类: [https:\u002F\u002Fgithub.com\u002FAlexYangLi\u002FTextClassification](https:\u002F\u002Fgithub.com\u002FAlexYangLi\u002FTextClassification)\n* CapsuleNet模型: [https:\u002F\u002Fgithub.com\u002Fbojone\u002FCapsule](https:\u002F\u002Fgithub.com\u002Fbojone\u002FCapsule)\n* transformer模型: [https:\u002F\u002Fgithub.com\u002FCyberZHG\u002Fkeras-transformer](https:\u002F\u002Fgithub.com\u002FCyberZHG\u002Fkeras-transformer)\n* keras_albert_model: [https:\u002F\u002Fgithub.com\u002FTinkerMob\u002Fkeras_albert_model](https:\u002F\u002Fgithub.com\u002FTinkerMob\u002Fkeras_albert_model)\n\n\n# 训练简单调用:\n```python\nfrom keras_textclassification import train\ntrain(graph='TextCNN', # 必填, 算法名, 可选\"ALBERT\",\"BERT\",\"XLNET\",\"FASTTEXT\",\"TEXTCNN\",\"CHARCNN\",\n # \"TEXTRNN\",\"RCNN\",\"DCNN\",\"DPCNN\",\"VDCNN\",\"CRNN\",\"DEEPMOJI\",\n # \"SELFATTENTION\", \"HAN\",\"CAPSULE\",\"TRANSFORMER\"\n label=17, # 必填, 类别数, 训练集和测试集合必须一样\n path_train_data=None, # 必填, 训练数据文件, csv格式, 必须含'label,ques'头文件, 详见keras_textclassification\u002Fdata\n path_dev_data=None, # 必填, 测试数据文件, csv格式, 必须含'label,ques'头文件, 详见keras_textclassification\u002Fdata\n rate=1, # 可填, 训练数据选取比例\n hyper_parameters=None) # 可填, json格式, 超参数, 默认embedding为'char','random'\n```\n\n# Reference\nFor citing this work, you can refer to the present GitHub project. For example, with BibTeX:\n```\n@misc{Keras-TextClassification,\n howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fyongzhuo\u002FKeras-TextClassification}},\n title = {Keras-TextClassification},\n author = {Yongzhuo Mo},\n publisher = {GitHub},\n year = {2019}\n}\n```\n\n*希望对你有所帮助!\n","# [Keras-TextClassification](https:\u002F\u002Fgithub.com\u002Fyongzhuo\u002FKeras-TextClassification)\n\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002FKeras-TextClassification)](https:\u002F\u002Fpypi.org\u002Fproject\u002FKeras-TextClassification\u002F)\n[![Build Status](https:\u002F\u002Ftravis-ci.com\u002Fyongzhuo\u002FKeras-TextClassification.svg?branch=master)](https:\u002F\u002Ftravis-ci.com\u002Fyongzhuo\u002FKeras-TextClassification)\n[![PyPI_downloads](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fdm\u002FKeras-TextClassification)](https:\u002F\u002Fpypi.org\u002Fproject\u002FKeras-TextClassification\u002F)\n[![Stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fyongzhuo\u002FKeras-TextClassification?style=social)](https:\u002F\u002Fgithub.com\u002Fyongzhuo\u002FKeras-TextClassification\u002Fstargazers)\n[![Forks](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fforks\u002Fyongzhuo\u002FKeras-TextClassification.svg?style=social)](https:\u002F\u002Fgithub.com\u002Fyongzhuo\u002FKeras-TextClassification\u002Fnetwork\u002Fmembers)\n[![Join the chat at https:\u002F\u002Fgitter.im\u002Fyongzhuo\u002FKeras-TextClassification](https:\u002F\u002Fbadges.gitter.im\u002Fyongzhuo\u002FKeras-TextClassification.svg)](https:\u002F\u002Fgitter.im\u002Fyongzhuo\u002FKeras-TextClassification?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge&utm_content=badge)\n\n\n\n# 安装\n\n```bash\npip install Keras-TextClassification\n```\n\n```python\n步骤2：下载并解压‘data.rar’文件，地址：链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1pIDzGaGXCZ7cjng1XU_kPA 提取码：w6ps 压缩包密码: 2022\n 将data目录覆盖到anaconda中，例如：'\u002Fanaconda\u002F3.5.1\u002Fenvs\u002Ftensorflow13\u002FLib\u002Fsite-packages\u002Fkeras_textclassification\u002Fdata'\n步骤3：前往 # 训练与使用 和 预测与使用\n```\n\n# keras_textclassification（代码主体,未完待续...）\n - Electra-fineture(todo)\n - Albert-fineture\n - Xlnet-fineture\n - Bert-fineture\n - FastText\n - TextCNN\n - charCNN\n - TextRNN\n - TextRCNN\n - TextDCNN\n - TextDPCNN\n - TextVDCNN\n - TextCRNN\n - DeepMoji\n - SelfAttention\n - HAN\n - CapsuleNet\n - Transformer-encode\n - SWEM\n - LEAM\n - TextGCN(todo)\n\n\n# 运行（以FastText为例）\n - 1. 进入keras_textclassification\u002Fm01_FastText目录，\n - 2. 训练：运行 train.py，例如：python train.py\n - 3. 预测：运行 predict.py，例如：python predict.py\n - 说明：默认不带预训练的随机嵌入，训练和验证语料只有100条，完整语料移步下面data查看下载\n\n# 运行（多标签分类\u002FEmbedding\u002Ftest\u002Fsample实例）\n - bert、word2vec、random样例在test\u002F目录下，注意word2vec（char或word）、random-word、bert（chinese_L-12_H-768_A-12）未全部加载，需要下载\n - multi_multi_class\u002F目录下以text-cnn为例进行多标签分类实例，转化为multi-onehot标签类别，分类则取一定阀值的类\n - sentence_similarity\u002F目录下以bert为例进行两个句子文本相似度计算，数据格式如data\u002Fsim_webank\u002F目录下所示\n - predict_bert_text_cnn.py\n - tet_char_bert_embedding.py\n - tet_char_bert_embedding.py\n - tet_char_xlnet_embedding.py\n - tet_char_random_embedding.py\n - tet_char_word2vec_embedding.py\n - tet_word_random_embedding.py\n - tet_word_word2vec_embedding.py\n\n# keras_textclassification\u002Fdata\n - 数据下载\n ** github项目中只是上传部分数据，需要的前往链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1I3vydhmFEQ9nuPG2fDou8Q 提取码： rket\n - baidu_qa_2019（百度qa问答语料，只取title作为分类样本，17个类，有一个是空''，已经压缩上传）\n - baike_qa_train.csv\n - baike_qa_valid.csv\n - byte_multi_news（今日头条2018新闻标题多标签语料，1070个标签，fate233爬取，地址为：[byte_multi_news](https:\u002F\u002Fgithub.com\u002Ffate233\u002Ftoutiao-multilevel-text-classfication-dataset)）\n - labels.csv\n - train.csv\n - valid.csv\n - embeddings\n - chinese_L-12_H-768_A-12\u002F（取谷歌预训练好点的模型，已经压缩上传，\n keras-bert还可以加载百度版ernie（需转换，[https:\u002F\u002Fgithub.com\u002FArthurRizar\u002Ftensorflow_ernie](https:\u002F\u002Fgithub.com\u002FArthurRizar\u002Ftensorflow_ernie)),\n 哈工大版bert-wwm（tf框架，[https:\u002F\u002Fgithub.com\u002Fymcui\u002FChinese-BERT-wwm](https:\u002F\u002Fgithub.com\u002Fymcui\u002FChinese-BERT-wwm））\n - albert_base_zh\u002F（brightmart训练的albert，地址为https:\u002F\u002Fgithub.com\u002Fbrightmart\u002Falbert_zh）\n - chinese_xlnet_base_L-12_H-768_A-12\u002F（哈工大预训练的中文xlnet模型[https:\u002F\u002Fgithub.com\u002Fymcui\u002FChinese-PreTrained-XLNet]，12层）\n - term_char.txt（已经上传，项目中已全，wiki字典，还可用新华字典等）\n - term_word.txt（未上传，项目中只有部分，可参考词向量的）\n - w2v_model_merge_short.vec（未上传，项目中只有部分，词向量，可以用自己的）\n - w2v_model_wiki_char.vec（已上传百度网盘，项目中只有部分，自己训练的维基百科字向量，可以用自己的）\n - model\n - fast_text\u002F预训练模型存放地址\n\n# 项目说明\n - 1. 构建了base基类（网络(graph)、向量嵌入（词、字、句子embedding）），后边的具体模型继承它们，代码简单\n - 2. keras_layers存放一些常用的layer，conf存放项目数据、模型的地址，data存放数据和语料，data_preprocess为数据预处理模块,\n\n\n# 模型与论文paper题与地址\n* FastText: [Bag of Tricks for Efficient Text Classification](https:\u002F\u002Farxiv.org\u002Fabs\u002F1607.01759)\n* TextCNN： [Convolutional Neural Networks for Sentence Classification](https:\u002F\u002Farxiv.org\u002Fabs\u002F1408.5882)\n* charCNN-kim： [Character-Aware Neural Language Models](https:\u002F\u002Farxiv.org\u002Fabs\u002F1508.06615)\n* charCNN-zhang: [Character-level Convolutional Networks for Text Classification](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1509.01626.pdf)\n* TextRNN： [Recurrent Neural Network for Text Classification with Multi-Task Learning](https:\u002F\u002Fwww.ijcai.org\u002FProceedings\u002F16\u002FPapers\u002F408.pdf)\n* RCNN： [Recurrent Convolutional Neural Networks for Text Classification](http:\u002F\u002Fwww.nlpr.ia.ac.cn\u002Fcip\u002F~liukang\u002FliukangPageFile\u002FRecurrent%20Convolutional%20Neural%20Networks%20for%20Text%20Classification.pdf)\n* DCNN: [A Convolutional Neural Network for Modelling Sentences](https:\u002F\u002Farxiv.org\u002Fabs\u002F1404.2188)\n* DPCNN: [Deep Pyramid Convolutional Neural Networks for Text Categorization](https:\u002F\u002Fwww.aclweb.org\u002Fanthology\u002FP17-1052)\n* VDCNN: [Very Deep Convolutional Networks](https:\u002F\u002Fwww.aclweb.org\u002Fanthology\u002FE17-1104)\n* CRNN: [A C-LSTM Neural Network for Text Classification](https:\u002F\u002Farxiv.org\u002Fabs\u002F1511.08630)\n* DeepMoji: [Using millions of emojio ccurrences to learn any-domain represent ations for detecting sentiment, emotion and sarcasm](https:\u002F\u002Farxiv.org\u002Fabs\u002F1708.00524)\n* SelfAttention: [Attention Is All You Need](https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.03762)\n* HAN: [Hierarchical Attention Networks for Document Classification](https:\u002F\u002Fwww.cs.cmu.edu\u002F~diyiy\u002Fdocs\u002Fnaacl16.pdf)\n* CapsuleNet: [Dynamic Routing Between Capsules](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1710.09829.pdf)\n* Transformer（encode或decode）：[Attention Is All You Need](https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.03762)\n* Bert： [BERT: Pre-trainingofDeepBidirectionalTransformersfor LanguageUnderstanding]()\n* Xlnet： [XLNet: Generalized Autoregressive Pretraining for Language Understanding](https:\u002F\u002Farxiv.org\u002Fabs\u002F1906.08237)\n* Albert： [ALBERT: A LITE BERT FOR SELF-SUPERVISED LEARNING OF LANGUAGE REPRESENTATIONS](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1909.11942.pdf)\n* RoBERTa： [RoBERTa: A Robustly Optimized BERT Pretraining Approach](https:\u002F\u002Farxiv.org\u002Fabs\u002F1907.11692)\n* ELECTRA： [ELECTRA: Pre-training Text Encoders as Discriminators Rather Than Generators](https:\u002F\u002Fopenreview.net\u002Fpdf?id=r1xMH1BtvB)\n* TextGCN： [Graph Convolutional Networks for Text Classification](https:\u002F\u002Farxiv.org\u002Fabs\u002F1809.05679)\n\n# 参考\u002F感谢\n* 文本分类项目: [https:\u002F\u002Fgithub.com\u002Fmosu027\u002FTextClassification](https:\u002F\u002Fgithub.com\u002Fmosu027\u002FTextClassification)\n* 文本分类看山杯: [https:\u002F\u002Fgithub.com\u002Fbrightmart\u002Ftext_classification](https:\u002F\u002Fgithub.com\u002Fbrightmart\u002Ftext_classification)\n* Kashgari项目: [https:\u002F\u002Fgithub.com\u002FBrikerMan\u002FKashgari](https:\u002F\u002Fgithub.com\u002FBrikerMan\u002FKashgari)\n* 文本分类Ipty : [https:\u002F\u002Fgithub.com\u002Flpty\u002Fclassifier](https:\u002F\u002Fgithub.com\u002Flpty\u002Fclassifier)\n* keras文本分类: [https:\u002F\u002Fgithub.com\u002FShawnyXiao\u002FTextClassification-Keras](https:\u002F\u002Fgithub.com\u002FShawnyXiao\u002FTextClassification-Keras)\n* keras文本分类: [https:\u002F\u002Fgithub.com\u002FAlexYangLi\u002FTextClassification](https:\u002F\u002Fgithub.com\u002FAlexYangLi\u002FTextClassification)\n* CapsuleNet模型: [https:\u002F\u002Fgithub.com\u002Fbojone\u002FCapsule](https:\u002F\u002Fgithub.com\u002Fbojone\u002FCapsule)\n* transformer模型: [https:\u002F\u002Fgithub.com\u002FCyberZHG\u002Fkeras-transformer](https:\u002F\u002Fgithub.com\u002FCyberZHG\u002Fkeras-transformer)\n* keras_albert_model: [https:\u002F\u002Fgithub.com\u002FTinkerMob\u002Fkeras_albert_model](https:\u002F\u002Fgithub.com\u002FTinkerMob\u002Fkeras_albert_model)\n\n\n# 训练简单调用:\n```python\nfrom keras_textclassification import train\ntrain(graph='TextCNN', # 必填, 算法名, 可选\"ALBERT\",\"BERT\",\"XLNET\",\"FASTTEXT\",\"TEXTCNN\",\"CHARCNN\",\n # \"TEXTRNN\",\"RCNN\",\"DCNN\",\"DPCNN\",\"VDCNN\",\"CRNN\",\"DEEPMOJI\",\n # \"SELFATTENTION\", \"HAN\",\"CAPSULE\",\"TRANSFORMER\"\n label=17, # 必填, 类别数, 训练集和测试集合必须一样\n path_train_data=None, # 必填, 训练数据文件, csv格式, 必须含'label,ques'头文件, 详见keras_textclassification\u002Fdata\n path_dev_data=None, # 必填, 测试数据文件, csv格式, 必须含'label,ques'头文件, 详见keras_textclassification\u002Fdata\n rate=1, # 可填, 训练数据选取比例\n hyper_parameters=None) # 可填, json格式, 超参数, 默认embedding为'char','random'\n```\n\n# 参考文献\n如需引用本项目，可参考以下 BibTeX 格式：\n```\n@misc{Keras-TextClassification,\n howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fyongzhuo\u002FKeras-TextClassification}},\n title = {Keras-TextClassification},\n author = {Yongzhuo Mo},\n publisher = {GitHub},\n year = {2019}\n}\n```\n\n*希望对你有所帮助!","# Keras-TextClassification 快速上手指南\n\nKeras-TextClassification 是一个基于 Keras 的文本分类工具库，集成了 FastText、TextCNN、BERT、ALBERT、XLNet 等多种主流模型，支持单标签及多标签分类任务。\n\n## 1. 环境准备\n\n* **操作系统**：Linux \u002F macOS \u002F Windows\n* **Python 版本**：建议 Python 3.5+\n* **核心依赖**：\n * TensorFlow (兼容 TF 1.x 或 2.x，视具体模型而定)\n * Keras\n * NumPy, Pandas 等基础科学计算库\n\n## 2. 安装步骤\n\n### 2.1 安装主程序包\n使用 pip 直接安装：\n\n```bash\npip install Keras-TextClassification\n```\n\n### 2.2 下载数据与预训练模型（重要）\n由于项目包含大量测试语料和预训练权重（如 BERT、Word2Vec 等），GitHub 仓库仅包含部分示例数据。**国内用户请优先使用百度网盘下载完整数据包**。\n\n1. **下载地址**：\n * 链接：`https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1pIDzGaGXCZ7cjng1XU_kPA`\n * 提取码：`w6ps`\n * 压缩包密码：`2022`\n * *(备用数据链接：`https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1I3vydhmFEQ9nuPG2fDou8Q` 提取码：`rket`)*\n\n2. **部署路径**：\n 下载 `data.rar` 并解压，将生成的 `data` 文件夹覆盖到安装目录中。\n * **典型路径示例**：`\u002Fanaconda\u002F3.5.1\u002Fenvs\u002Ftensorflow13\u002FLib\u002Fsite-packages\u002Fkeras_textclassification\u002Fdata`\n * 请根据您实际的 Python 环境路径进行调整，确保 `keras_textclassification` 包下存在 `data` 目录。\n\n## 3. 基本使用\n\n本库支持两种使用方式：**命令行运行示例** 和 **Python 代码调用**。\n\n### 3.1 命令行运行（以 FastText 为例）\n\n进入库中的示例目录，直接运行训练和预测脚本：\n\n```bash\n# 1. 进入示例目录\ncd keras_textclassification\u002Fm01_FastText\n\n# 2. 执行训练 (默认使用少量样本测试，完整数据需参考上述下载步骤)\npython train.py\n\n# 3. 执行预测\npython predict.py\n```\n\n### 3.2 Python 代码调用（推荐）\n\n通过 `train` 接口可快速启动训练流程。以下是一个基于 **TextCNN** 模型的极简示例：\n\n```python\nfrom keras_textclassification import train\n\ntrain(\n graph='TextCNN', # [必填] 模型名称，可选: \"ALBERT\", \"BERT\", \"FASTTEXT\", \"TEXTCNN\" 等\n label=17, # [必填] 分类类别数量 (需与数据集一致)\n path_train_data=None, # [必填] 训练集路径 (CSV 格式，需含 'label', 'ques' 表头)\n path_dev_data=None, # [必填] 验证集路径 (CSV 格式，需含 'label', 'ques' 表头)\n rate=1, # [可选] 训练数据采样比例，默认 1 (全量)\n hyper_parameters=None # [可选] 超参数字典 (JSON 格式)，默认使用 char + random embedding\n)\n```\n\n**数据格式说明**：\n输入数据需为 CSV 格式，且必须包含 `label` (标签) 和 `ques` (文本内容) 两列。若未指定路径，程序将尝试读取默认 `data` 目录下的示例数据（如 `baidu_qa_2019`）。\n\n### 3.3 其他高级场景\n项目 `test\u002F` 目录下提供了更多进阶示例，包括：\n* **多标签分类**：参考 `multi_multi_class\u002F` 目录 (基于 TextCNN)。\n* **文本相似度计算**：参考 `sentence_similarity\u002F` 目录 (基于 BERT)。\n* **不同 Embedding 测试**：支持 Word2Vec、BERT、XLNet、Random 等多种嵌入方式，详见 `tet_*.py` 系列脚本。","某电商内容风控团队需要每日处理数万条用户商品评论，既要识别违规内容（单标签分类），又要自动提取评论中涉及的具体问题维度如“物流”、“质量”、“售后”等（多标签分类）。\n\n### 没有 Keras-TextClassification 时\n- **模型选型试错成本高**：面对 FastText、TextCNN、BERT 等多种算法，开发人员需从零搭建每种网络结构，验证哪种适合中文短文本或长评论，耗时数周。\n- **多任务适配困难**：处理单标签违规识别与多标签维度提取需编写两套完全不同的数据预处理和损失函数代码，逻辑割裂且容易出错。\n- **预训练资源整合繁琐**：想要利用 BERT 或 XLNet 等强大预训练模型提升准确率，需手动下载、转换词向量并调整嵌入层，环境配置极易报错。\n- **长文本效果不佳**：传统简单模型难以捕捉长评论中的上下文依赖，导致对隐晦违规内容的漏判率居高不下。\n\n### 使用 Keras-TextClassification 后\n- **一键切换主流架构**：通过修改配置文件即可在 TextCNN、BERT、HAN 等十几种内置模型间快速切换，半天内完成从基线到最优模型的选型验证。\n- **统一接口支持多任务**：利用其内置的多标签分类模块，仅需调整标签格式为 multi-onehot，同一套代码框架即可同时支撑违规识别与维度提取任务。\n- **预训练模型开箱即用**：直接调用集成的中文 BERT、XLNet 及 Word2Vec 资源，自动完成嵌入层构建，大幅降低高精度模型的上手门槛。\n- **复杂语义捕捉精准**：启用 HAN 或 Transformer-encode 等深层网络，有效理解长评论中的语境逻辑，显著提升了针对变体违规词的召回率。\n\nKeras-TextClassification 通过提供“积木式”的中文文本分类全栈解决方案，将原本数周的算法研发周期压缩至天级，让团队能专注于业务策略而非底层代码实现。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyongzhuo_Keras-TextClassification_857205ae.png","yongzhuo","Macropodus","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fyongzhuo_5529e6c4.png","NLPer, do something valuable.",null,"Guilin【桂林】","https:\u002F\u002Fblog.csdn.net\u002Frensihui","https:\u002F\u002Fgithub.com\u002Fyongzhuo",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,1810,399,"2026-04-02T08:39:04","MIT",4,"未说明","未说明 (支持 CPU 运行随机嵌入模型；若使用 BERT\u002FXLNet\u002FALBERT 等预训练大模型，通常建议配备 NVIDIA GPU 以加速训练，具体显存需求取决于模型大小)","未说明 (处理大规模语料或加载大型预训练模型如 BERT\u002FXLNet 时，建议 16GB+)",{"notes":94,"python":95,"dependencies":96},"1. 核心依赖为 Keras 和 TensorFlow (README 中环境路径暗示可能基于 TensorFlow 1.x 或早期 2.x 版本)。\n2. 首次运行需手动下载额外数据包 (data.rar) 和预训练模型 (如 BERT, XLNet, ALBERT, Word2Vec 等)，存放于指定目录。\n3. 默认示例仅使用 100 条数据和随机嵌入进行演示，完整功能需替换为完整语料。\n4. 支持多种模型架构 (FastText, TextCNN, BERT, XLNet 等)，部分高级模型 (如 Electra, TextGCN) 标记为待完成 (todo)。","未说明 (参考路径示例 '\u002Fanaconda\u002F3.5.1' 推测支持 Python 3.5+, 建议使用 Python 3.6-3.8 以兼容旧版 Keras\u002FTensorFlow)",[97,98,99,100,101],"Keras","TensorFlow","keras-bert","numpy","pandas",[14,35,103],"音频",[105,106,107,108,109,110,111,112,113,114,115,116,117,118,119,120,121,122,123,124],"text-classification","keras","rcnn","dcnn","charcnn","bert","nlp","textcnn","fasttext","dpcnn","embeddings","capsule","vdcnn","crnn","han","xlnet","albert","keras-textclassification","leam","transformer","2026-03-27T02:49:30.150509","2026-04-08T20:32:27.696243",[128,133,138,142,147,152,157,162],{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},25011,"为什么训练时验证集准确率很高，但预测时准确率却很低？","这通常是由词向量（Word2Vec）加载或生成不一致导致的。解决方案包括：\n1. 确认在训练和测试阶段使用的是同一套基于训练集生成的词向量。\n2. 尝试重新提取语料生成词向量。\n3. 如果问题依旧，可以尝试使用字向量（Char Vector）代替词向量，或者检查词向量文件是否完整加载。有用户反馈重新生成词向量后问题解决。","https:\u002F\u002Fgithub.com\u002Fyongzhuo\u002FKeras-TextClassification\u002Fissues\u002F15",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},25012,"运行 Albert 模型时报错 KeyError: 'vocab_size' 如何解决？","这是因为 Albert 的配置文件和检查点文件名与 BERT 不兼容。解决方法是修改 `albert_base_zh\u002F` 目录下的文件：\n1. 将 `albert_config.json` 重命名为 `bert_config.json`。\n2. 将 `albert_model.ckpt.*` 相关文件重命名为 `bert_model.ckpt.*`。\n3. 编辑 `checkpoint` 文件，将其中的 `model_checkpoint_path` 和 `all_model_checkpoint_paths` 的值从 \"albert_model.ckpt\" 改为 \"bert_model.ckpt\"。","https:\u002F\u002Fgithub.com\u002Fyongzhuo\u002FKeras-TextClassification\u002Fissues\u002F18",{"id":139,"question_zh":140,"answer_zh":141,"source_url":137},25013,"运行 XLNet 模型时报错 AttributeError: Layer ... has multiple inbound nodes 怎么办？","该错误通常发生在模型层有多个输入节点时。虽然具体代码修复未完全展示，但维护者建议检查相关层的输出定义。对于类似的属性错误（如 'list' object has no attribute 'transpose'），通常需要确保输入数据格式正确，或更新到最新的代码版本以修复已知的兼容性 bug。",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},25014,"为什么我的验证集准确率（val_acc）比作者提供的结果低很多？","主要原因可能是数据量和预训练模型的使用差异：\n1. 作者的结果通常是基于全量数据训练的，而示例代码可能仅使用了少量样本（sample 数据），导致效果不佳。请使用全量数据进行训练。\n2. 默认超参数是针对字符级（char）优化的，随机初始化可能影响效果。\n3. 建议在论文或实验中加入预训练模型（如 Word2Vec, GloVe, BERT），无论是静态还是动态嵌入，都能显著提升准确率。","https:\u002F\u002Fgithub.com\u002Fyongzhuo\u002FKeras-TextClassification\u002Fissues\u002F2",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},25015,"运行文本相似度任务时报错 KeyError: 'sentence1' 怎么处理？","这是因为代码默认加载的是文本分类数据结构，而相似度任务需要 `sentence1` 和 `sentence2` 字段。解决方法：\n1. 在 `train.py` 中，将数据预处理类从 `PreprocessSim` 改为 `PreprocessText`（或者根据具体任务需求调整，如果是做相似度需确保使用正确的预处理类，原回答指出若报错需检查引入）。\n2. 检查数据路径配置，移除冗余路径（如 `path_ccks_2020_el_dev`），仅保留有效的训练和验证路径（如 `path_baidu_qa_2019_train`, `path_baidu_qa_2019_valid`）。\n3. 如果是复用其他模型的 train.py，请确保引入了正确的 Graph 类（例如 `from keras_textclassification.m01_FastText.graph import FastTextGraph as Graph`）。","https:\u002F\u002Fgithub.com\u002Fyongzhuo\u002FKeras-TextClassification\u002Fissues\u002F38",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},25016,"训练时报错 ValueError: expected dense_1 to have shape (X,) but got array with shape (Y,) 是什么原因？","这个错误表示模型输出层的维度与标签（label）的维度不匹配。解决方案：\n1. 如果使用的是自定义数据集，必须更新配置中的 `label` 参数，使其类别数量与数据集实际类别数一致。\n2. 如果没有替换数据集，请更新到项目的最新代码版本，因为旧版本可能存在默认标签配置的 bug。\n3. 确保使用的词向量或字典文件是全量的，而非仅限示例的少量数据。","https:\u002F\u002Fgithub.com\u002Fyongzhuo\u002FKeras-TextClassification\u002Fissues\u002F59",{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},25017,"CapsuleNet 或其他模型训练失败，提示词典或词向量不全怎么办？","这通常是因为下载的嵌入文件（embeddings）不完整。项目自带的示例数据仅包含少量词条（如 50 个），不足以支撑训练。解决方法：\n1. 下载全量的词向量和字向量文件（如 `term_char.txt`, `term_word.txt`, `w2v_model_merge_short.vec` 等）并覆盖本地 `data\u002Fembeddings\u002F` 目录。\n2. 或者，在配置中将 `embedding_type` 设置为 `'random'` 或 `'bert'` 以避免依赖外部词向量文件。\n3. 也可以尝试开启动态嵌入学习，设置 `'trainable': True` 并调整学习率（如 `'lr': 5e-4`）。","https:\u002F\u002Fgithub.com\u002Fyongzhuo\u002FKeras-TextClassification\u002Fissues\u002F29",{"id":163,"question_zh":164,"answer_zh":165,"source_url":166},25018,"项目提供的百度网盘数据链接失效了，哪里可以获取最新数据？","维护者会不定期更新数据链接。如果遇到链接失效，请关注 Issue 区的最新回复。曾提供的备用链接信息如下（需注意时效性）：\n链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1pIDzGaGXCZ7cjng1XU_kPA\n提取码：w6ps\n压缩包密码：2020\n建议优先查看项目 README 或最新置顶 Issue 获取官方最新地址。","https:\u002F\u002Fgithub.com\u002Fyongzhuo\u002FKeras-TextClassification\u002Fissues\u002F79",[168],{"id":169,"version":170,"summary_zh":171,"released_at":172},154425,"v0.1.7","1. 添加 Flask 示例\n2. 修复 XNet\n3. 删除一些无用的路径","2020-12-19T16:49:04"]