使用Keras的LSTM确实具有高损耗/低精度

我正在尝试通过使用Keras编写简单的文本摘要生成器来理解序列到序列和LSTM . 我正在使用CNN新闻数据集中的一小部分数据集（500篇文章） . 我不确定我是否正确地这样做 .

首先，经过一个小时的运行后，我的损失极高且准确度低 . 即使我没有使用图形卡训练模型，我仍然认为准确性非常低 .

Epoch 10/10
500/500 [==============================] - 59s 117ms/step - loss: 43815452.8000 - acc: 0.0231

其次，现在我制作了编码器，我正在寻找解码器，但我完全不知道如何生成摘要：当我查看“预测”函数时，它会返回一个数组（500,1748,62）并且数组的最后一个维度似乎包含概率？我认为它可能是我的词汇量的概率，这意味着我应该选择最可能的单词，但是词汇表有313974个单词，所以我不知道如何解释这个输出 . 我读了一些文章说它可以使用第二个LSTM进行解码但两个LSTM如何一起通信？我应该从第一个州通过州吗？

如果有人能告诉我我做错了什么并解释，那将非常感激:) .

这是我用于编码器的代码：

#Some informations
#VOCAB_SIZE = 313974
#np.shape(x_train) = (500,1748) and contains index of the words 
#np.shape(word_embedding_matrix) = (313974, 300) and contains my words in a 300 dimensions space pre-processed with GloVe.

def create_model():
    prob=0.5
    EMBEDDING_DIM = 300
    VOCAB_SIZE = nb_words

    embedding_layer = Embedding( VOCAB_SIZE,
                                EMBEDDING_DIM,
                                weights=[word_embedding_matrix],
                                trainable=False)

    LAYER_NUM = 3
    HIDDEN_DIM = 300

    model = Sequential()
    model.add(embedding_layer)

    for i in range(LAYER_NUM - 1):
        model.add(LSTM(y_train.shape[1], return_sequences=True))
        model.add(Dropout(prob, name="drop_%s" %(i)))

    LSTM(y_train.shape[1], return_sequences=False)

    model.add(Dense(y_train.shape[1]))
    model.add(Activation('softmax'))

    model.compile(loss="categorical_crossentropy", optimizer="rmsprop", metrics=['accuracy'])

    return model

model = create_model()
y_train = np.reshape(y_train, (y_train.shape[0], 1, y_train.shape[1]))

nb_epoch = 0
while True:
    print('\n')
    model.fit(x_train, y_train, batch_size=BATCH_SIZE, verbose=1, nb_epoch=10)
    nb_epoch += 1

以及模型的总结：

Layer (type)                 Output Shape              Param #   
=================================================================
embedding_4 (Embedding)      (None, None, 300)         94192200  
_________________________________________________________________
lstm_6 (LSTM)                (None, None, 62)          90024     
_________________________________________________________________
drop_0 (Dropout)             (None, None, 62)          0         
_________________________________________________________________
lstm_7 (LSTM)                (None, None, 62)          31000     
_________________________________________________________________
drop_1 (Dropout)             (None, None, 62)          0         
_________________________________________________________________
dense_2 (Dense)              (None, None, 62)          3906      
_________________________________________________________________
activation_2 (Activation)    (None, None, 62)          0         
=================================================================
Total params: 94,317,130
Trainable params: 124,930
Non-trainable params: 94,192,200