keras 建立MLP、RNN、LSTM模型进行IMDb情感分析

该博客通过Keras实现了IMDb数据集的情感分析,包括多层感知器(MLP)、循环神经网络(RNN)和长短期记忆网络(LSTM)模型。数据预处理包括字典构建和序列截断,模型训练后展示了预测结果。
摘要由CSDN通过智能技术生成

这是IMDB情感分析,我把三种模型三合一了,要仔细分清

import tensorflow as tf
from tensorflow import keras
import numpy as np
import pandas as pd
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.preprocessing import sequence
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,Dropout,Activation,Flatten
from tensorflow.keras.layers import Embedding
from tensorflow.keras.layers import LSTM
from tensorflow.keras.preprocessing.text import Tokenizer
import urllib.request
import os
import tarfile
from tensorflow.keras.datasets import imdb
(x_train,y_train),(x_test,y_test) = keras.datasets.imdb.load_data()
import re
def rm_tags(text):
    re_tag=re.compile(r'<[^>]+>')
    return re_tag.sub('',text)
import os
def read_files(filetype):
    path="data/aclImdb/"
    file_list=[]
    
    positive_path=path+filetype+"/pos/"
    for f in os.listdir(positive_path):
        file_list+=[positive_path+f]
        
    negative_path=path+filetype+"/neg/"
    for f in os.listdir(negative_path):
        file_list+=[negative_path+f]
        
    print('read',filetype,'files:',len(file_list))
    
    all_labels=([1]*12500+[0]*12500)
    
    all_texts=[]
    for fi in file_list:
        with open(fi,encoding='utf8') as file_input:
            all_texts+=[rm_tags("".join(file_input.readlines()))]
            
    return all_labels,all_texts
y_train,train_text=read_files("train")
y_test,test_text=read_files("test")
token = Tokenizer(num_words=2000)
token.fit_on_texts(train_text)
x_train_seq=token.texts_to_sequences(train_text)
x_test_seq=token.texts_to_sequences(test_text)
x_train=sequence.pad_sequences(x_train_seq,maxlen=100)
x_test &#
  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值