size）
#把模型保存到lstm.h5文件中，并打印最终训练结果的损失和精度
（'lstm.h5'，overwrite=True）
print（"\nLoss：%.2f，Accuracy：%.2f%%"%（loss，accuracy*100））
#定义函数调用train_lstm用来训练网络并保存训练结果
deftrain（）：
print（"LoadingData..."）
combined，y=loadfile（）
print（len（combined），len（y））
print（"Tokenising..."）
combined=tokenizer（combined）
print（"TrainingaWord2vecmodel..."）
index_dict，word_vectors，combined=word2vec_train（combined）
print（"SettingupArraysforKerasEmbeddingLayer..."）
n_symbols，embedding_weights，x_train，y_train，x_test，y_test
=get_data（index_dict，word_vectors，combined，y）
print（x_train.shape，y_train.shape）
train_lstm（n_symbols，embedding_weights，x_train，y_train，x_test，
y_test）
#定义函数，对句子进行分词并调用词向量转换成向量格式
#这个函数用于训练完毕后的测试，在测试模块中调用此函数
#定义在训练模块是因为需要使用此模块中的创建词典函数
definput_transform（string）：
words=（string）
}blwords=（words）.reshape（1，-1）
model=（'word2vec_model.pkl'）
_，_，combined=create_dictionaries（model，words）
returncombined
#运行训练函数（train（））
if __name__=='__main__'：
train（）
将训练模块以文件名lstm.py保存，在IPython控制台输入如下命令运行训练模块，并保存训练好的情绪识别网络。
In[1]：
因为不同计算机的环境不同，所以读者的输出结果也许会稍有不同。输出结果如下所示。
UsingTensorFlowbackend.
LoadingData...
Buildingprefixdictfromthedefaultdictionary...
2110521105
Tokenising...
Dumpingmodeltofilecache
