tokenizer.texts_to_sepences（keras tokenizer）给出相同的预测

Question

看起来 tokenizer.toxts_texts_tox_to_to_sequencess_to_to_sepencess_to_to_sequessections 但这不是。 我正在努力创建一个文本分类代码，但我正在使用令牌机构面临一个预测的问题。

1. 安装令牌仪，并使用该令牌将句子转换为（csv file-＆gt; pandas系列）的句子，以

tokenizer = Tokenizer()
tokenizer.fit_on_texts(X_train['clean_txt'])
X_train_seq = tokenizer.texts_to_sequences(X_train['clean_txt'])
X_test_seq = tokenizer.texts_to_sequences(X_test['clean_txt'])

#each sequence is the same length
pad_seq = 150
X_train_seq_padded = pad_sequences(X_train_seq, pad_seq)
X_test_seq_padded = pad_sequences(X_test_seq, pad_seq)

2. 构建和评估一个顺序模型，
3. 我做了一些预测，结果（x_test的未看到数据）是正确的：

model.predict(X_test_seq_padded[52].reshape(1, pad_seq))
array([[2.5905947e-05]], dtype=float32)

然后我尝试了在2个不同的原始字符串中有预测，我意识到我得到了相同的结果：

text = 'create a text classification code'
text = [text]
token_seq = tokenizer.texts_to_sequences(text)
token_seq_padded = pad_sequences(token_seq, pad_seq)
pred1 = model.predict(token_seq_padded)
pred1
array([[0.7042249]], dtype=float32)

token_seq
[[]]         <--- empty!!

我使用在此处找到的代码块（顶部的链接），并且具有不同的字符串的结果：有不同的字符串：

new_sample = ['Mathematics can describe many phenomena and concepts in music']
seq = tokenizer.texts_to_sequences(new_sample )
padded = pad_sequences(seq, maxlen=pad_seq)
pred = model.predict(padded)
pred
array([[0.7042249]], dtype=float32)

seq
[[]]         <--- empty!!

有了我的测试数据，好的结果，

precision    recall  f1-score   support

           0       0.98      0.99      0.98      1757
           1       0.97      0.95      0.96       809

    accuracy                           0.98      2566
   macro avg       0.98      0.97      0.97      2566
weighted avg       0.98      0.98      0.98      2566

我看不到什么，导致我取得错误的结果？ tnx !!