Update 10.7_sentiment-analysis-rnn.md

Author: archersama

docs/chapter10_natural-language-processing/10.7_sentiment-analysis-rnn.md

@@ -231,6 +231,7 @@ embedding_matrix = get_weights(vocab,word_to_embedding,50,word_to_index,index_to
 embed_size, num_hiddens, max_len = 50, 100, 500
 num_epochs = 5
 
+#因为tensorflowlSTM无法自动堆叠,故我们不进行堆叠
 model = tf.keras.Sequential([
  layers.Embedding(len(vocab), embed_size,weights=[embedding_matrix],input_length=500),
  layers.Bidirectional(layers.LSTM(num_hiddens)),
@@ -243,25 +244,13 @@ model.summary()
 
 
 
-``` python
-embed_size, num_hiddens, num_layers = 100, 100, 2
-net = BiRNN(vocab, embed_size, num_hiddens, num_layers)
-```
-
 
-### 10.7.2.1 加载预训练的词向量
 
-由于情感分类的训练数据集并不是很大，为应对过拟合，我们将直接使用在更大规模语料上预训练的词向量作为每个词的特征向量。这里，我们为词典`vocab`中的每个词加载100维的GloVe词向量。
-
-``` python
-glove_vocab = Vocab.GloVe(name='6B', dim=100, cache=os.path.join(DATA_ROOT, "glove"))
-```
 
-然后，我们将用这些词向量作为评论中每个词的特征向量。注意，预训练词向量的维度需要与创建的模型中的嵌入层输出大小`embed_size`一致。此外，在训练中我们不再更新这些词向量。
 
 
 
-### 10.7.2.2 训练并评价模型
+### 10.7.2.1 训练并评价模型
 
 这时候就可以开始训练模型了。