其中每个.py文件微调了一些超参（网络结构，卷积核，lr，优化，L2）。综合来看，每一个差别都不是特别明显，加了L2正则能取得较好的泛化效果。

选择了小部分数据集进行图片生成增强，在VGG16上，得到Bottleneck特征的训练，或者finetune处理

CNN：利用keras.processing的text和sequence的进行文字到数值型的处理，建立CNN（embedding+3(Conv1D+MaxPooling1D+Dropout）+Flatten+Dense+sigmoid）模型分类.Accuracy约91%. LSTM：建立LSTM（Embedding+LSTM+sigmoid）LSTM+Dense+sigmoid分类，Accuracy约91%. TF-IDF：生成词典,生成TF-IDF向量,生成LSI模型,分类器SVC（linear）训练,对新文本进行分类，Accuracy约86%. Word2Vec：建立Word2Vec模型得到词向量，文档向量等于各个词向量的加和平均（词典太小，许多单词不在词典内），再利用SVC进行分类. Doc2Vec:建立Doc2Vec模型得到文档向量，直接用该向量进行文档分类.Accuracy约69%.