情感分类神经网络参数调整后准确率始终不变的问题求助

我一眼就看到几个关键问题，咱们一个个来排查修复：

1. 输出层激活函数用错了（最核心的问题） #

你在最后一层用了activation='softmax'，但这是二分类任务，而且你只设置了1个神经元！

• 对于单神经元的二分类输出，必须用sigmoid激活函数：sigmoid会输出0到1之间的概率值，配合binary_crossentropy损失函数刚好匹配二分类任务。
• 而softmax对于单个神经元来说，输出永远是1（因为归一化后只有一个数值），这直接导致模型只能预测某一类，准确率就固定在数据集中该类别的占比（你的0.2057应该就是这个类别在测试集里的比例）。

修改代码：

model.add(Dense(1, activation='sigmoid'))

2. 测试集预处理写错了 #

看这行代码：

pad_phrases_test = pad_sequences(phrases_valid_tokens, maxlen=maxlen, padding='post')

你把测试集的token序列写成了验证集的phrases_valid_tokens，等于你一直在用验证集数据评估模型，这完全不能反映模型的真实泛化能力，赶紧改成：

pad_phrases_test = pad_sequences(phrases_test_tokens, maxlen=maxlen, padding='post')

3. 数据合并的写法有问题 #

你用phrases_train.append([phrases_valid, phrases_test], ignore_index = True)来合并数据，如果phrases_train是pandas Series的话，这个写法是错的：

• pandas的append方法已经被弃用，而且不能直接传列表作为参数。正确的合并方式应该用pd.concat：

import pandas as pd
total_phrases = pd.concat([phrases_train, phrases_valid, phrases_test], ignore_index=True)

如果你的数据是普通Python列表，直接用加法合并就行：

total_phrases = phrases_train + phrases_valid + phrases_test

这个错误会导致tokenizer没有学习到测试集里的词汇，影响模型对测试数据的处理。

额外的优化建议 #

除了上面的必改项，还有几个点可以帮你提升到期望的50%+准确率：

• 检查标签分布：看看sents_train里0和1的比例，如果严重不平衡（比如某类占80%以上），模型会偷懒预测多数类，这时候可以在model.fit()里加上class_weight参数，比如class_weight={0: 1, 1: 4}来给少数类更高的权重。
• 调整模型结构：Embedding层之后直接接Dense层再喂给GRU有点奇怪，你可以试试先加一个GlobalAveragePooling1D()或者直接把Embedding的输出传给GRU，去掉中间的Dense层，看看效果：

model = Sequential()
model.add(Embedding(vocab_size, 100, input_length=maxlen))
model.add(GRU(units=32, dropout=0.2, recurrent_dropout=0.2))
model.add(Dense(1, activation='sigmoid'))

• 监控训练过程：训练时看训练集和验证集的loss和accuracy变化，如果验证集accuracy一直不动，可能是过拟合或者欠拟合，调整dropout比例、batch size或者epochs数量。

先把前三个必改项修复，应该就能解决准确率固定的问题，之后再慢慢优化模型到你期望的效果。

内容的提问来源于stack exchange，提问作者Aleksander Chmielewski