Python 如何使用Tensorflow tflearn进行单词分类

我在互联网上搜索了一份像样的文档或一些描述的例子，但什么也没找到。 我想做的是，对一个单词或小短语（最多3个单词）进行分类，并给它们一个优先级“标记”。（例如：斯蒂芬·霍金=>1，雷德先生=>0） 我试着用多层感知器来做这件事，但在那里我不能用文字作为测试数据。所以我尝试使用RNN，使用TensorFlow的tflearn库。 问题是，我找不到任何关于如何预处理数据或如何将数据提供给LSTM层的文档

我写了一些代码：

data, labels = load_csv(r'C:\Users\xxxx\Desktop\Machine Learning\Getting Started\Data\train_dataset_rnn.csv', categorical_labels=True, n_classes=2, delim=';')

net = tflearn.input_data(shape=[None, 1])
net = tflearn.lstm(net, 128, 1)
net = tflearn.fully_connected(net, 2, activation='softmax')
net = tflearn.regression(net)
model = tflearn.DNN(net)
model.fit(data, labels, n_epoch=10, batch_size=32, show_metric=True)

数据具有shape=>“name”；0/1

当我执行此代码时，会出现以下错误：

ValueError: Invalid Activation.

有人能帮我更好地理解这些层/算法吗

---

事先非常感谢

据我所知，LSTM采用3D输入->[批次大小、序列长度、向量表示] 在您的情况下，可以将序列长度设置为3（序列的最大长度）。我通常将单词映射到300d手套表示。因此，输入数据将如下所示：

net=tflearn.输入数据（shape=[None，3300]）

我不确定是否有错误，但我认为您还需要像这样指定回归：

net = tflearn.layers.core.fully_connected(net, 2, activation='softmax')
net = tflearn.layers.estimator.regression(net, optimizer='adam', learning_rate=LEARNING_RATE,
                     loss='categorical_crossentropy', name='target')