我正在尝试构建一个LSTM分类器，该分类器将读取简短的零件描述文本并将该文本分类为零件编号。零件数量非常多（40k），零件描述文本通常长几个字（最长为16个字）。零件说明在词义方面有些重叠，但是特定部分有很多不同的词。
培训：
x_train张量，形状为40k x 16（这是40k零件条目，16个单词列表）
y_train张量，形状为40k x 40k（这是40k分类编码，是一热编码的。看起来像单位矩阵）
激活：softmax
损失：categorical_crossentropy
指标：categorical_accuracy
优化器：亚当
嵌入参数：
词汇量：14,000
嵌入向量长度：16
输入长度：16
LSTM输出维数：4000（从帽子中拔出，但仍然不满意）
型号：
model = Sequential()
model.add(Embedding(14000, 16, input_length=16))
model.add(LSTM(4000))
model.add(Dense(14000, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['categorical_accuracy'])
鉴于这些是我的输入，是否有理由期望它可以训练到任何可靠的准确性水平，还是类别的数量太大？
到目前为止，我的精度为0，但是我认为这是因为我的LSTM输出维数太低。