算法工程师修仙之路：Keras（十三）

深度学习基础

神经网络入门

---

新闻分类：多分类问题

• 构建一个网络，将路透社新闻划分为46个互斥的主题。
  • 因为有多个类别，所以这是多分类（multiclass classification）问题的一个例子。
  • 因为每个数据点只能划分到一个类别，所以更具体地说，这是单标签、多分类（single-label, multiclass classification）问题的一个例子。
  • 如果每个数据点可以划分到多个类别（主题），那它就是一个多标签、多分类（multilabel, multiclass classification）问题。

路透社数据集

• 使用路透社数据集，它包含许多短新闻及其对应的主题，由路透社在1986年发布。

  • 它是一个简单的、广泛使用的文本分类数据集。
  • 它包括46个不同的主题：某些主题的样本更多，但训练集中每个主题都有至少10个样本。
  • 与 IMDB 和 MNIST 类似，路透社数据集也内置为 Keras 的一部分。

• 与 IMDB 数据集一样，参数 num_words=10000 将数据限定为前10000个最常出现的单词。我们有8982个训练样本和2246个测试样本。

  # 加载路透社数据集
  from keras.datasets import reuters
  (train_data, train_labels), (test_data, test_labels) = reuters.load_data(num_words=10000)
  >>> len(train_data)
  8982
  >>> len(test_data)
  2246
  

• 与 IMDB 评论一样，每个样本都是一个整数列表（表示单词索引）。

  >>> train_data[10]
  [1, 245, 273, 207, 156, 53, 74, 160, 26, 14, 46, 296, 26, 39, 74, 2979,
  3554, 14, 46, 4689, 4329, 86, 61, 3499, 4795, 14, 61, 451, 4329, 17, 12]
  

• 你可以用下列代码将索引解码为单词：

  # 将索引解码为新闻文本
  word_index = reuters.get_word_index()
  reverse_word_index = dict([(value, key) for (key, value) in word_index.items()])
  ''' 注意，索引减去了3，因为0、1、2是为 “padding”（填充）、“start of sequence”（序列开始）、
  “unknown”（未知词）分别保留的索引 '''
  decoded_newswire = ' '.join([reverse_word_index.get(i - 3, '?') for i in train_data[0]])
  

• 样本对应的标签是一个0~45范围内的整数，即话题索引编号。

  >>> train_labels[1