Keras 带GRU模块且以10为基数的int（）的文本无效

我的输入只是一个csv文件，其中有50K行和两列用于阿拉伯语情绪分析：但我在尝试在堆叠的GRU模型上训练数据时不断出错

继续得到下面的错误

ValueError:以10为基数的int（）的文本无效：“الهمانياسن” 㶕㶕㶕㶕㶕㶕㶕㶕㶕

X\u序列，X\u测试，y\u序列，y\u测试=序列测试分割（df.text，df.touction，测试大小=0.1，随机状态=37）
断言X_train.shape[0]==y_train.shape[0]
断言X_测试.shape[0]==y_测试.shape[0]
tk=标记器（num\u words=NB\u words，
过滤器='！“\$%&（）*+，-./：；？@[\\]^ `{124;}~\ t\n'，
较低=正确，
split=“”）
tk.fit_on_文本（X_列车）
定义一个热的顺序（顺序，nb_特征=nb_单词）：
ohs=np.零（（透镜，nb_特征））
对于枚举中的i，s（seqs）：
ohs[i，s]=1。
返回ohs
X_列oh=一个热列（X_列）
X_测试oh=一个热测试顺序（X_测试顺序）
X_序列=传统文本到序列（X_序列）
X_测试顺序=tk.文本到序列（X_测试）
断言X_valid.shape[0]==y_valid.shape[0]
断言X\u train\u rest.shape[0]==y\u train\u rest.shape[0]
最大字数=500
top_单词=5000
X_序列=序列。pad_序列（X_序列，maxlen=max_字）
X_测试=序列。pad_序列（X_测试，maxlen=max_字）
模型=顺序（）
添加（嵌入（顶部单词，100，输入长度=最大单词））
新增型号（GRU（100））
model.add（密集型（1，激活='sigmoid'））
compile（loss='binary\u crossentropy'，optimizer='adam'，metrics=['accurity']）
打印（model.summary（））
#训练
模型.fit（X\u-train\u-oh，y\u-train\u-oh，历代=3，批量大小=64）
#模型的最终评估
分数=模型。评估（X_测试，y_测试，详细=0）
打印（“精度：%.2f%%”%（分数[1]*100））
#预测测试数据的标签
y_predict=模型预测（X_检验）

X_train, X_test, y_train, y_test = train_test_split(df.text, df.sentiment, test_size=0.1, random_state=37)
assert X_train.shape[0] == y_train.shape[0]
assert X_test.shape[0] == y_test.shape[0]
tk = Tokenizer(num_words=NB_WORDS,
               filters='!"#$%&()*+,-./:;<=>?@[\\]^_`{|}~\t\n',
               lower=True,
               split=" ")
tk.fit_on_texts(X_train)
def one_hot_seq(seqs, nb_features = NB_WORDS):
    ohs = np.zeros((len(seqs), nb_features))
    for i, s in enumerate(seqs):
        ohs[i, s] = 1.
    return ohs

X_train_oh = one_hot_seq(X_train_seq)
X_test_oh = one_hot_seq(X_test_seq)


X_train_seq = tk.texts_to_sequences(X_train)
X_test_seq = tk.texts_to_sequences(X_test)
assert X_valid.shape[0] == y_valid.shape[0]
assert X_train_rest.shape[0] == y_train_rest.shape[0]

max_words = 500
top_words = 5000
X_train  = sequence.pad_sequences(X_train , maxlen=max_words)
X_test = sequence.pad_sequences(X_test, maxlen=max_words)

model = Sequential()
model.add(Embedding(top_words, 100, input_length=max_words))
model.add(GRU(100))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())

# Train
model.fit(X_train_oh, y_train_oh, epochs=3, batch_size=64)

# Final evaluation of the model
scores = model.evaluate(X_test_oh, y_test_oh, verbose=0)
print("Accuracy: %.2f%%" % (scores[1]*100))

# Predict the label for test data
y_predict = model.predict(X_test)