文件目录如下：

/isear_v2/

存有数据集、停用词以及经清洗过的数据集 ( train.csv, valid.csv 与 test.csv ) 。

/model/

训练完的不同模型，包含以下几个：

/out/

不同模型的输出结果 (label) ，其中 std.txt 为标准输出。

/vec/

包含了预训练完的 word2vec ，以及构建词向量所用的词库。

config.ini

配置文件，包含了网络所需要的参数，分为以下 7 块：

[ALL]，[CNN]，[LSTM]，[GRU]，[LSTM_ATT]，[GRU_ATT]，[MLP]

分别对应全部模型共同的参数以及每个模型各自的参数。

wash.py

对原始数据进行清洗的 python 源文件。

pre_w2v.py

预训练词向量前先构建词库的 python 源文件。

w2v.py

预训练 word2vec 词向量的 python 源文件。

EarlyStopping.py

用于训练提前终止的模块，参考了一个 github 项目，具体在报告中已经说明。

model.py

模型训练所用的 python 源文件。

test.py

模型测试所用的 python 源文件。

命令行运行：

python wash.py

则可以看到在 /isear_v2/ 目录下出现了 train.csv, valid.csv 与 test.csv 三个经过清洗的 csv 文件。

命令行运行：

python pre_w2v.py

则可以看到 /vec/ 目录下出现 sentence.txt ，包含了语料库的所有词语。

命令行运行：

python w2v.py

则可以看到 /vec/ 目录下出现了 my_w2v_128.w2v ，里面存有预训练的 128 维词向量。

在 config.ini 中，可以设置不同模型的参数。

参数设定完毕后，在命令行运行：

python model.py MODEL

这里的 MODEL 必须是下列模型名中的一种：

cnn，lstm，gru，lstm_attention，gru_attention，mlp

示例：

python model.py cnn

该 python 源文件会根据命令行参数自动训练对应种类的模型。

训练完毕后，模型的输出结果位于 /model/ 目录下。

命令行运行：

python test.py MODEL FILE

这里的 MODEL 和训练中一样，必须是上面的六个中的一个。而第二个参数 FILE 则表示模型文件名字，是在 /model/ 目录下的文件的名字。

示例：

python test.py lstm_attention lstm_attention_128.pkl

该 python 文件将在命令行中显示 accuracy 以及 f1-score 。预测得到的标签，将输出到 /out/ 目录下对应模型名字的 txt 文件中。