Python笔记循环神经网络SimpleRNN层和LSTM层（IMDB电影评论）

最新推荐文章于 2022-05-02 17:28:13 发布

ZY_Jack

最新推荐文章于 2022-05-02 17:28:13 发布

阅读量1.9k

点赞数 3

本文链接：https://blog.csdn.net/ZY_Jack/article/details/86603527

版权

本文探讨了循环神经网络（RNN）在处理序列数据时的工作原理，特别是在IMDB电影评论分类任务中的应用。通过比较SimpleRNN和LSTM层，发现LSTM在解决梯度消失问题上更有效，从而在验证精度上优于SimpleRNN，达到将近89%。对于更复杂的自然语言处理任务，LSTM展现出了更强的优势。

摘要由CSDN通过智能技术生成

循环神经网络(RNN,recurrent neural network):它处理序列的方式是,遍历所有序列元素,并保存一个状态(state),其中包含与已查看内容相关的信息。总之, RNN 是一个 for 循环,它重复使用循环前一次迭代的计算结果

将这个模型应用于 IMDB 电影评论分类问题,首先进行预处理。

from keras.datasets import imdb
from keras.preprocessing import sequence

max_features = 10000
maxlen = 500
batch_size = 32
print('Loading data...')
(input_train, y_train), (input_test, y_test) = imdb.load_data(
num_words=max_features)
print(len(input_train), 'train sequences')
print(len(input_test), 'test sequences')
print('Pad sequences (samples x time)')
input_train = sequence.pad_sequences(input_train, maxlen=maxlen)
input_test = sequence.pad_sequences(input_test, maxlen=maxlen)
print('input_train shape:', input_train.shape)
print('input_test shape:', input_test.shape)

#用 Embedding 层和 SimpleRNN 层来训练模型
from keras.layers import Dense
model = Sequential