model = Sequential() model.add(Embedding(max_words, 100, input_length=maxlen)) model.add(Flatten()) model.add(Dense(32, activation='relu')) model.add(Dense(9999, activation='sigmoid', input_dim=maxlen)) model.summary() model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['acc']) history = model.fit(x_train, y_train, epochs=3, batch_size=128, validation_data=(x_val, y_val),verbose=1)

这段代码创建了一个简单的神经网络模型，用于对IMDB电影评论进行情感分析。

首先，创建了一个Sequential对象作为模型的容器。然后，通过添加不同的层来定义模型。

使用Embedding层将输入序列编码为密集向量的序列。这里将词汇表大小设置为max_words，每个单词嵌入到一个100维的空间中，并将每个输入序列填充到相同的长度maxlen。

接下来使用Flatten层将嵌入序列展平为一维向量，以便输入到后续的全连接层。

添加一个Dense层作为模型的隐藏层，具有32个神经元，使用ReLU激活函数。

最后，添加一个Dense层作为模型的输出层，具有9999个神经元，使用sigmoid函数作为激活函数，用于进行情感分析二分类。

使用summary函数打印出模型的摘要信息。

在模型编译时，使用rmsprop优化器、categorical_crossentropy损失函数和accuracy评估指标。

使用fit函数拟合模型，将训练集和验证集输入模型，并在3个epochs中进行训练，使用批量大小为128。同时，将验证集作为验证数据输入模型，并设置verbose参数为1，以便打印出训练进度信息。