----------------------------大纲--------------------------
1 随着模型不断更新
2 直接使用预先训练好的词向量如word2vec， glove
--------------------------------------------------------------
省去数据读取以及预处理模块
1 随着模型不断更新
1.1 train文件中输入语句用index表示
#表示最长的句子长度max_document_length
max_document_length=max([len(x.split(" "))for xin x_text])
vocab_processor = learn.preprocessing.VocabularyProcessor(max_document_length)
#拿到句子中的index向量表示（注意这里是词的index）
x = list(vocab_processor.fit_transform(x_text))
1.2 模型文件中index向量转化为词向量
self.input_x = tf.placeholder(tf.int32, [None, sequence_length],name="input_x")
with tf.name_scope("embedding"):
#tf.random_uniform([vocab_size, embedding_size], -1.0,1.0)词向量采用均匀分布作为初始化
# trainable=Ture表示模型中不断迭代更新词向量的值，如果trainable=False表示采用第三方预先训练好的词向量结果
self.W = tf.Variable(tf.random_uniform([vocab_size, embedding_size], -1.0,1.0),trainable=True, name="W")
self.embedded_x = tf.nn.embedding_lookup(self.W,self.input_x)
2 直接使用预先训练好的词向量如word2vec， glove
如下以glove为例,格式如下，词以及其对应的词向量
2.1 train文件中
# 读文件获取glove中的词汇，以及其对应的词向量
vocab, embd = data_helpers.loadGloVe(FLAGS.embedding_file, FLAGS.embedding_dim)
embedding = np.asarray(embd)
def tokenizer(iterator):
for value in iterator:
yield re.split(r'\s', value)
# 将glove文件中的词转化为index
vocab_processor = learn.preprocessing.VocabularyProcessor(max_sequence_length, tokenizer_fn=tokenizer)
vocab_processor.fit(vocab)
#拿到句子中的index向量表示（注意这里是词的index）
x = list(vocab_processor.fit_transform(x_text))
2.2 model文件中
#传入glove的初始值的占位符
self.embedding_placeholder = tf.placeholder(tf.float32, [self.vocab_size,self.embedding_size],
name="embedding")
self.input_x = tf.placeholder(tf.int32, [None, sequence_length],name="input_x")
with tf.variable_scope("embedding"):
#trainable=False的设置如上
self.W = tf.Variable(tf.constant(0.0,shape=[self.vocab_size,self.embedding_size]), trainable=False, name="W")
# 把glove初始值给self.W
self.embedding_init = tf.assign(self.W,self.embedding_placeholder)
self.embedded_x = tf.nn.embedding_lookup(self.W,input_x )