数据集:THUCNews(中)、IMDB数据集(英)
IMDB数据探索
任务描述
本次任务主要使用IMBD数据集继续二分类任务,数据含有50000条的影评数据,包括正面(1)和负面(0)的评价标签,实验使用Tensorflow中的tf.keras来进行分类任务。
任务过程详述
tensorflow 版本查看
import tensorflow as tf
from tensorflow import keras
import numpy as np
print(tf.__version__)
IMDB数据集下载、探索
imdb = keras.datasets.imdb
(train_data, train_labels), (test_data, test_labels) = imdb.load_data(num_words=10000)
#查看训练集数量和样本长度
print("Training entries: {}, labels: {}".format(len(train_data), len(train_labels))
len(train_data[0]), len(train_data[1])
因为影评的长度不同,需要将每个影评样本标准化为相同长度,所以使用 pad_sequences函数进行标准化
# 对字符进行编号
word_index = {
}
word_index["<PAD>"] = 0
word_index["<START>"] = 1
word_index["<UNK>"] = 2 # unknown
word_index["<UNUSED>"] = 3
train_data = keras.preprocessing.sequence.pad_sequences(train_data,
value=word_index["<PAD>"],
padding='post',
maxlen=256)
test_data = keras.preprocessing.sequence.pad_sequences(test_data,
value=word_index["<PAD>"],
padding='post',
maxlen=256)
len(train_data[0]), len(train_data[1])
构建分类网络
# 该网络分为Embedding层,做平均操作的Pooling层,再接一个全连接层,最后是一个sigmoid二分类层,做出输出层。
vocab_size = 10000
model = keras.Sequential()
model.add(keras.layers.Embedding(vocab_size, 16))
model.add(keras.layers.GlobalAveragePooling1D())
model.add(keras.layers.Dense(16, activation=tf.nn.relu))
model.add(keras.layers.Dense(1, activation=tf.nn.sigmoid))
model.summary()
# 通过优化器来求解网络参数,因为是二分类问题,所以采用交叉熵作为Loss,最后的评价矩阵通过准确度来衡量
model.compile(optimizer=tf.train.AdamOptimizer(),
loss='binary_crossentropy',
metrics=['accuracy'])
# 为防止模型的过拟合,防止数据污染,使模型更具有泛化能力,留一个val验证集,测试集仅作为最后的测试
x_val = train_data[:10000]
partial_x_train = train_data[10000:]
y_val = train_labels[:10000]
partial_y_train = train_labels[10000:]
# 模型训练
history = model.fit(partial_x_train,
partial_y_train,
epochs=40,
batch_size=512,
validation_data=