tf1 版本转tf2问题，当不添加textcnn网络时，训练预测均没有问题。但是当加入textcnn时训练时loss与acc都不错，但是预测都是错误的。以下tf2实现的textcnn基本都是直接转的。此外我还尝试tf.keras.layers.Conv2D()以及conv1d实现。但是效果都不行，本来考虑是不是训练周期等参数问题，但是跟您的项目参数保持一致，训练出来的模型就是有问题（有进行dropout)，所以想请教一下您。
def textcnn(x):
pooled_outputs = []
filter_sizes = [2, 3, 4, 5, 6, 7]
inputs_expand = tf.expand_dims(x, -1)
for filter_size in filter_sizes:
filter_shape = [filter_size, 312, 1, 128]
W = tf.Variable(tf.random.truncated_normal(filter_shape, stddev=0.1), dtype=tf.float32, name="W")
b = tf.Variable(tf.constant(0.1, shape=[128]), dtype=tf.float32, name="b")
conv = tf.nn.conv2d(
inputs_expand,
W,
strides=[1, 1, 1, 1],
padding="VALID",
name="conv")
# Apply nonlinearity
h = tf.nn.relu(tf.nn.bias_add(conv, b), name="relu")
# Maxpooling over the outputs
pooled = tf.nn.max_pool(
h,
ksize=[1, 60 - filter_size + 1, 1, 1],
strides=[1, 1, 1, 1],
padding='VALID',
name="pool")
pooled_outputs.append(pooled)
# Combine all the pooled features
num_filters_total = 128 * len(filter_sizes)
h_pool = tf.concat(pooled_outputs, 3)
h_pool_flat = tf.reshape(h_pool, [-1, num_filters_total])
return h_pool_flat
tf1 版本转tf2问题，当不添加textcnn网络时，训练预测均没有问题。但是当加入textcnn时训练时loss与acc都不错，但是预测都是错误的。以下tf2实现的textcnn基本都是直接转的。此外我还尝试tf.keras.layers.Conv2D()以及conv1d实现。但是效果都不行，本来考虑是不是训练周期等参数问题，但是跟您的项目参数保持一致，训练出来的模型就是有问题（有进行dropout)，所以想请教一下您。