你需要更多的数据。

当您拥有大量数据时，深度神经网络会大放异彩。

如果数据只有一点点，它很容易过拟合。训练和测试性能之间的巨大差异表明您的网络严重过度拟合。这也可能是因为与训练数据量相比，您的网络模型的容量（变量、节点）过多。较小的网络（较少的节点）可能会减少过度拟合。

为了提高你的准确性，在 tensorflow 中最简单的事情就是使用Dropout技术。尝试使用tf.nn.dropout. 在你的隐藏层之间。不要将它用于第一层和最后一层。要应用它，您可以查看如何在 Tensorflow 中应用 Drop Out 以提高神经网络的准确性。

无论您使用何种正则化技术，如果您持续训练足够长的时间，您最终将过度拟合训练数据，您需要跟踪每个 epoch 的验证损失。当验证损失停止减少时，至少使用提前停止来停止训练过程。

这是过拟合的简单案例。

为了提高准确性，我建议进行以下更改：

由于您的“x”变量是句子，您可以尝试使用具有一个嵌入层和一个 LSTM 层的序列模型：

from tensorflow.keras.layers import Dense, Embedding, LSTM
from tensorflow.keras.models import Sequential

model = Sequential()

model.add(Embedding(max_features, 32))
model.add(LSTM(32)

将最后一层添加为 Dense Layer，将损失函数添加为 binary_crossentropy：

model.add(Dense(1, activation='sigmoid'))

model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])

拟合模型并存储历史变量以找到最佳时期：

history = model.fit(x_train, y_train, epochs=20, batch_size=128, validation_split=0.2)

绘制以下 2 条曲线：i) 验证损失与时期 ii) 验证准确度与时期

# Plotting Results
import matplotlib.pyplot as plt

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs = range(1, len(acc) + 1)

plt.plot(epochs, acc, 'b', label='Training acc')
plt.plot(epochs, val_acc, 'g', label='Validation acc')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')

plt.title('Training and validation accuracy')
plt.legend()
fig = plt.figure()
fig.savefig('acc.png')


plt.plot(epochs, loss, 'b', label='Training loss')
plt.plot(epochs, val_loss, 'g', label='Validation loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.title('Training and validation loss')

plt.legend()
plt.show()

之后你会得到一个类似这样的图表：

对于这种特定情况，我们看到最佳 epoch 出现在 12 处，因此我们需要再次训练 12 epoch 并测试测试数据。

model.fit(x_train, y_train, epochs=12, batch_size=128)
model.evaluate(x_test, y_test)