Python 3.x 对大文本使用LSTM

我有一个数据集，用来检测从kaggle那里得到的假新闻。 我想使用LSTM进行分类

一篇文章的平均字长约为750字。我试着删除标点符号，停止单词，删除数字。对文本进行预处理也需要很长时间

---

我想要一种使用keras将大文本输入LSTM的方法。我应该做些什么来减少计算时间，同时又不会损失很多精度。

有一些事情可以尝试加快速度：

1.使用CUDNN版本的LSTM 通常速度更快，请检查可用层keras.layers.CuDNNLSTM就是您想要的

2.使用Conv1d创建要素 您可以使用一维卷积，内核大小指定应考虑多少字，跨步指定移动窗口的跳转。对于kernel_size=3和stride=3，padding=SAME，它会将维度降低三次

您可以堆叠更多卷积层

除此之外，您仍然可以正常使用LSTM

3.完全放弃LSTM 您可以使用1d卷积和池进行分类，RNN不是唯一的方法

好的一面是：你不会遇到消失的梯度，双向LSTM也可以减轻一点

---

缺点：你将失去单词之间的严格依赖性，尽管这对于二进制分类来说应该不是什么大问题，我想这是你的目标。

谢谢：。我尝试了conv+lstm，但精确度很低，尽管只有使用CNN才能获得很好的精确度。