随笔小记（二十九）

关于IMDB 数据集中代码中def decode_review(text): return ' '.join([reverse_word_index.get(i, '?') for i in text])的理解

参考链接：https://blog.csdn.net/qq_34153210/article/details/103397834

基本文本分类：电影评论文本分类
参考链接：https://blog.csdn.net/NSSWTT/article/details/108090318

plt.legend( )创建图例

参考链接：https://zhuanlan.zhihu.com/p/111108841

使用预训练的word embedding

参考链接（可）：
https://blog.csdn.net/weixin_42101286/article/details/90296819

Keras.Tokenizer：文本与序列预处理
Tokenizer类：
参考链接：https://blog.csdn.net/qq_39594141/article/details/88869489

keras里sparse_categorical_crossentropy和categorical_crossentropy的不同

参考链接1：https://blog.csdn.net/qq_42961707/article/details/95799706
参考链接2：http://sofasofa.io/forum_main_post.php?postid=1005527

多类分类问题将类别变量（categorical function）的输出标签转化为数值变量
参考链接：
https://blog.csdn.net/weixin_34228662/article/details/86352639?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.channel_param&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.channel_param

numpy——.npy和.npz文件
1、npy文件——Numpy专用的二进制格式
np.load()和np.save()是读写磁盘数组数据的两个重要函数。使用时，数组会以未压缩的原始二进制格式保存在扩展名为.npy的文件中。

import numpy as np

# 将数组以二进制格式保存到磁盘
arr=np.arange(5)
np.save('test',arr)
# 读取数组
print(np.load('test.npy'))

结果：
[0 1 2 3 4]

保存为.npy文件后如果使用记事本等工具打开浏览会出现乱码，所以如果想在保存后能够浏览内容的话建议不要使用.npy文件。
2、npz文件——压缩文件
使用np.savez()函数可以将多个数组保存到同一个文件中。
np.savez()函数的第一个参数是文件名，其后的参数都是需要保存的数组。传递数组时可以使用关键字参数为数组命名，非关键字参数传递的数组会自动起名为arr_0、arr_1……。
np.savez()函数输出的是一个扩展名为.npz的压缩文件，它包含多个与保存的数组对应的npy文件（由save()函数保存），文件名对应数组名。
读取.npz文件时使用np.load()函数，返回的是一个类似于字典的对象，因此可以通过数组名作为关键字对多个数组进行访问。

import numpy as np

# 将多个数组保存到磁盘
a = np.arange(5)
b = np.arange(6)
c = np.arange(7)
np.savez('test', a, b, c_array=c)  # c_array是数组c的命名
# 读取数组
data = np.load('test.npz')  #类似于字典{‘arr_0’:a,’arr_1’:b,’c_array’:c}
print('arr_0 : ', data['arr_0'])
print('arr_1 : ', data['arr_1'])
print('c_array : ', data['c_array'])

结果：
arr_0 :  [0 1 2 3 4]
arr_1 :  [0 1 2 3 4 5]
c_array :  [0 1 2 3 4 5 6]

参考链接：https://www.cnblogs.com/Lilu-1226/p/9768368.html

numpy库数组拼接np.concatenate
numpy提供了numpy.concatenate((a1,a2,…), axis=0)函数。能够一次完成多个数组的拼接。其中a1,a2,…是数组类型的参数。

a=np.array([1,2,3])
b=np.array([11,22,33])
c=np.array([44,55,66])
np.concatenate((a,b,c),axis=0)  # 默认情况下，axis=0可以不写， #对于一维数组拼接，axis的值不影响最后的结果
结果：
array([ 1,  2,  3, 11, 22, 33, 44, 55, 66])

a=np.array([[1,2,3],[4,5,6]])
b=np.array([[11,21,31],[7,8,9]])
np.concatenate((a,b),axis=0)
结果：
array([[ 1,  2,  3],
       [ 4,  5,  6],
       [11, 21, 31],
       [ 7,  8,  9]])

 np.concatenate((a,b),axis=1)  #axis=1表示对应行的数组进行拼接
结果：
array([[ 1,  2,  3, 11, 21, 31],
       [ 4,  5,  6,  7,  8,  9]])

a=np.array([[1,2],[4,5]])
b=np.array([[11,21,31],[7,8,9]])
np.concatenate((a,b),axis=1)
结果：
array([[ 1,  2, 11, 21, 31],
       [ 4,  5,  7,  8,  9]])

对numpy.append()和numpy.concatenate()两个函数的运行时间进行比较。

from time import clock as now
a=np.arange(9999)
b=np.arange(9999)
time1=now()
c=np.append(a,b)
time2=now()
print (time2-time1)
结果：
0.0005653000007441733

a=np.arange(9999)
b=np.arange(9999)
time1=now()
c=np.concatenate((a,b),axis=0)
time2=now()
print (time2-time1)
结果：
0.0002395999981672503

可知，concatenate()效率更高，适合大规模的数据拼接。

参考链接：https://blog.csdn.net/zyl1042635242/article/details/43162031

Keras中调用model.fit()会返回一个History对象，这个对象有一个成员history，它是一个字典，包含训练过程中的所有数据。
plt画图之legend()：显示图例。
电影评论分类（二分类问题）部分代码：
参考链接：https://blog.csdn.net/qq_33434901/article/details/84580505

KeyError: ‘accuracy’、KeyError: ‘val_acc’、KeyError: 'acc’等报错信息的解决方法
参考链接：https://blog.csdn.net/weixin_43051346/article/details/103647390

Python numpy的argmax用法
参考链接：https://www.cnblogs.com/touch-skyer/p/8509217.html

Keras中predict()方法和predict_classes()方法的区别

参考链接（可）：
https://blog.csdn.net/tszupup/article/details/85275111

keras model.predict_classes()只能适用于sequential model
参考链接：https://blog.csdn.net/zds13257177985/article/details/80638384

seaborn设置整体风格
参考链接：https://www.cnblogs.com/pythoner6833/p/9291303.html