Tensorflow 为什么Keras序列模型给出的结果与模型不同？

我在keras中尝试了一个简单的lstm模型，使用imdb数据集使用序列模型和模型模型进行简单的情绪分析，结果发现后者的结果更糟。这是我的密码：

model = Sequential()
model.add(Embedding(top_words, embedding_vector_length, input_length=max_review_length))
model.add(LSTM(100))
model.add(Dense(2, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])

它在第一个历元中给出的结果精度约为0.6，而使用模型的其他代码：

_input = Input(shape=[max_review_length], dtype='int32')
embedded = Embedding(
        input_dim=top_words,
        output_dim=embedding_size,
        input_length=max_review_length,
        trainable=False,
        mask_zero=False
    )(_input)
lstm = LSTM(100, return_sequences=True)(embedded)
probabilities = Dense(2, activation='softmax')(lstm)
model = Model(_input, probabilities)
model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

第一个历元的精度为0.5，以后不会改变

---

有什么原因吗，还是我做错了什么？提前感谢

我看到了你们两款车型的两个主要区别：

您已将第二个模型的嵌入设置为“trainable=False”。因此，与第一个模型相比，优化第二个模型的参数可能要少得多

LSTM将在第二个模型中返回整个序列，因此输出形状将不同，因此我不知道如何比较这两个模型，它们做的事情不同

---

谢谢你的洞察力，返回序列部分是我的打字错误，因为我从我的另一个项目复制了部分代码。但是把可训练的变成真正的真的很有帮助！！