基于Keras（TensorFlow后端）的亚马逊评论情感分类模型训练问询

我最近在用Keras（后端搭的是TensorFlow）做亚马逊评论的情感分类任务，搭了这么一套模型架构：

• 开头是Embedding层：用GloVe预训练词向量来初始化，能更好地捕捉词汇的语义信息，避免从零开始训练词向量的低效问题
• 中间接LSTM层：专门用来处理文本的序列依赖关系，毕竟评论里的情感表达往往和上下文语境紧密相关
• 最后用Dense层输出分类结果，完成情感的正负（或多类别）判断

模型的摘要信息如下：

_________________________________________________________________
Layer (type)                Output Shape              Param #   
=================================================================
embedding_1 (Embedding)     (None, None, 100)         2258700   
_________________________________________________________________
lstm_1 (LSTM)               [未完整输出]               [未完整参数]
_________________________________________________________________
[后续Dense层信息]

从现有参数能倒推出来，这个Embedding层用的是100维的GloVe向量，词汇表大小大概是22587个词（22587×100=2258700），这个规模适配亚马逊评论的词汇量还挺合适的。

内容的提问来源于stack exchange，提问作者jcgarciaca