Word2vec训练好的词向量如何加载到基于Keras的LSTM中

加载Word2vec训练好的词向量到基于Keras的LSTM中需要进行以下步骤：

1. 导入Word2vec模型，如：

   from gensim.models import Word2Vec
   w2v_model = Word2Vec.load('path/to/word2vec/model')

2. 获取Word2vec模型中的词向量矩阵，如：

   embedding_matrix = w2v_model.wv.vectors

3. 构建Keras的Embedding层，将词向量矩阵作为权重传入，如：

   from keras.layers import Embedding
   embedding_layer = Embedding(input_dim=embedding_matrix.shape[0], output_dim=embedding_matrix.shape[1], weights=[embedding_matrix], trainable=False)

这里的 `input_dim` 参数为词汇表大小，`output_dim` 参数为词向量维度，`trainable` 参数表示词向量是否可被训练。

4. 在LSTM模型中使用Embedding层，如：

   from keras.models import Sequential
   from keras.layers import LSTM, Dense
   
   model = Sequential()
   model.add(embedding_layer)
   model.add(LSTM(units=64, dropout=0.2, recurrent_dropout=0.2))
   model.add(Dense(units=1, activation='sigmoid'))
   model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

这里的LSTM模型仅作为示例，具体模型结构和参数需根据实际情况进行调整。

通过以上步骤，即可将Word2vec训练好的词向量加载到基于Keras的LSTM模型中进行文本分类等任务。