Embedding层报“input_length不匹配”错，主因是输入序列长度不一且未padding；须用pad_sequences统一长度，maxlen取95%分位数，padding='post'适配LSTM；加载GloVe需对齐词表、补padding向量、设input_dim=len(word_index)+1、trainable=False。
为什么直接用 tf.keras.layers.Embedding 会报错“input_length 不匹配”
常见现象是模型编译时没报错，但调用 model.fit() 时抛出 ValueError: Input 0 of layer sequential is incompatible with the layer。根本原因是：Embedding 层要求所有输入序列长度一致，而原始文本 tokenized 后长度各异，没做 padding 就直接喂进去了。
正确做法是先用 tf.keras.preprocessing.sequence.pad_sequences() 统一长度。注意两个关键参数：maxlen（截断/补零到的固定长度）和 padding（'pre' 或 'post'，影响 RNN/LSTM 的时序对齐）。
-
maxlen建议设为语料中 95% 文本的长度分位数，太大会浪费显存，太小会丢信息 - 若后续接
tf.keras.layers.LSTM，优先选padding='post'，避免 LSTM 初始状态被大量零干扰 - 别在训练集上算
maxlen后直接用于测试集——要统一用训练集统计值，否则部署时遇到更长句子会崩
如何让 Embedding 层加载预训练词向量（如 GloVe）
直接初始化 tf.keras.layers.Embedding 的 weights 参数即可，但必须确保词表映射完全对齐：你的 tokenizer.word_index 和预训练向量文件的词汇顺序要一一对应，且索引 0 预留为 padding 位（即 word_index 中 0 不对应任何词）。
实操中容易漏掉三件事：
立即学习“Python免费学习笔记（深入）”；
- 预训练向量文件读入后，用
np.zeros((1, vector_dim))手动补一行作为 padding 向量（索引 0），再按word_index顺序拼接成 embedding_matrix -
Embedding层的input_dim必须等于len(word_index) + 1（+1 是因为索引从 1 开始，0 是 padding） - 设
trainable=False冻结预训练权重；若想微调，改True，但需降低学习率，否则易破坏已有语义结构
示例关键代码片段：
embedding_matrix = np.zeros((len(tokenizer.word_index) + 1, 100))
for word, i in tokenizer.word_index.items():
if word in embeddings_index:
embedding_matrix[i] = embeddings_index[word]
embedding_layer = tf.keras.layers.Embedding(
input_dim=len(tokenizer.word_index) + 1,
output_dim=100,
weights=[embedding_matrix],
input_length=maxlen,
trainable=False
)
用 tf.keras.layers.TextVectorization 替代手动 tokenizer 的坑
TensorFlow 2.6+ 推荐用 TextVectorization 做端到端文本预处理，但它默认不输出词向量，只是把文本转成整数序列——仍需接 Embedding 层。很多人误以为它能直接替代 Word2Vec。
典型陷阱：
-
TextVectorization的vocabulary构建依赖于你传入的原始文本数据；若只用训练集 fit，测试集出现未登录词（OOV），默认映射到索引 1（不是 0），得显式设oov_token='[UNK]'并在adapt()前加入该 token - 它生成的整数序列默认不带 padding，必须配合
output_sequence_length参数或后续手动 pad - 若用
output_mode='tf-idf'，就彻底绕过了 Embedding，此时输入是稠密向量，不能接 LSTM，只能接 Dense 层
情感分析模型输出层用 sigmoid 还是 softmax
二分类情感（正/负）必须用 sigmoid + binary_crossentropy，三分类（正/中/负）才用 softmax + categorical_crossentropy。混用会导致 loss 不下降、预测全趋近 0.5。
另一个易忽略点：标签格式必须匹配激活函数。
- 二分类时，
y_train应为 shape=(N,) 的 int 张量（0 或 1），不是 one-hot；sigmoid输出单个概率值，loss 自动按标量处理 - 三分类若用了
softmax，y_train必须是 shape=(N, 3) 的 one-hot 编码，否则categorical_crossentropy会报维度错 - 验证集
val_accuracy指标也要对应：二分类用'accuracy'即可；多分类若标签是整数，得用'sparse_categorical_accuracy'
实际部署时，别只看 accuracy——情感分析对类别不平衡敏感，务必检查 classification_report 里的 precision/recall/f1 per class。
