Python Keras Tensorflow嵌入层索引[i，j]=k不在[0，max_特征中]

我正在尝试进行作者识别，我的

train\u vecs\u w2v.shape=（15663400）

。

y_train.shape=（15663,3）

它有3个标签，一个热编码。 现在的问题是我在嵌入层有一个错误。索引[0，X]=-1不在[0，15663]中。如何解决这个问题？是我的代码还是Keras/Tensorflow

print('Building Model')
n=19579
max_features = 15663
max_length = 400
EMBEDDING_DIM = 100
model7 = Sequential()

model7.add(Embedding(len(train_vecs_w2v), EMBEDDING_DIM, input_length=max_length, dtype='float32', trainable=True, weights=None, embeddings_initializer='uniform', embeddings_regularizer=None, activity_regularizer=None, embeddings_constraint=None))
print(model7.output_shape)
model7.add(Convolution1D(filters =128, kernel_size = 3, strides=1, activation='relu', use_bias=False, border_mode='same')) 
print(model7.output_shape)
model7.add(MaxPooling1D(pool_size = 3))
print(model7.output_shape)
model7.add(Convolution1D(filters = 64, kernel_size = 5, strides=1, activation='relu', border_mode='same'))
print(model7.output_shape)
model7.add(MaxPooling1D(pool_size = 5))
print(model7.output_shape)
model7.add(Flatten()) # model.output_shape == (None, 64*input_shape of convolution layer)
print(model7.output_shape)
model7.add(Dense(output_dim = 64, activation='relu')) # input_shape = (batch_size, input_dim)
print(model7.output_shape)
model7.add(Dense(output_dim = 32, activation='relu'))
print(model7.output_shape)
model7.add(Dense(output_dim = 3, activation='softmax'))

model7.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['categorical_accuracy'])

model7.fit(train_vecs_w2v, y_train_vec, epochs=50, batch_size=32, verbose=2)

我得到的错误

---

我认为这里的问题在于单词向量计数。
应该是

len(train_vecs_w2v) + 1

---

请指定变量train_vecs_w2vtrain_vecs_w2v shape的形状：（15663400）@HariKrishnan实际上这个问题已经解决了，但现在我遇到了一个不同的问题。

InvalidArgumentError（回溯见上文）：索引[0,1]=-1不在[0,15663][Node:embedding_1/Gather=Gather]中[Tindices=DT_INT32，Tparams=DT_FLOAT，validate_index=true，_device=“/job:localhost/replica:0/task:0/device:CPU:0”]（embedding_1/embeddings/read，embedding_1/Cast）]

您的数据中有负数吗？这就是导致我收到此错误消息的原因。

len(train_vecs_w2v) + 1