新闻分类：多分类问题（Python深度学习-学习记录）

在此例中，会构建一个网络，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。

1 导入需要的包

from keras.datasets import reuters
import numpy as np
from keras import models, layers
import matplotlib.pyplot as plt

2 路透社数据集

2.1 加载数据集

(train_data, train_labels), (test_data, test_labels) = reuters.load_data(num_words=10000)

2.2 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()])
decoded_newswire = ' '.join([reverse_word_index.get(i - 3, '?') for i in train_data[0]])

可以用这段代码查看单词

3 准备数据

3.1 编码数据

def vectorize_sequences(sequences, dimension=10000):
    results = np.zeros((len(sequences), dimension))
    for i, sequence in enumerate(sequences):
        results[i, sequence] = 1.
    return results

x_train = vectorize_sequences(train_data)
x_test = vectorize_sequences(test_data)

def to_one_hot(labels, dimension=46):
    results = np.zeros((len(labels), dimension))
    for i, label in enumerate(labels):
        results[i, label] = 1.
    return results

one_hot_train_labels = to_one_hot(train_labels)
one_hot_test_labels = to_one_hot(test_labels)

将标签向量化有两种方法：你可以将标签列表转换为整数张量，或者使用 one-hot 编码。 one-hot 编码是分类数据广泛使用的一种格式，也叫分类编码（categorical encoding）。

4 构建网络

4.1 模型定义

model = models.Sequential()
model.add(layers.Dense(64, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(46, activation='softmax'))

4.2 模型编译

model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])

对于这个例子，最好的损失函数是 categorical_crossentropy（分类交叉熵）。它用于 衡量两个概率分布之间的距离，这里两个概率分布分别是网络输出的概率分布和标签的真实分 布。通过将这两个分布的距离最小化，训练网络可使输出结果尽可能接近真实标签。

5. 进行方法验证

5.1 留出验证集

x_val = x_train[:1000]
partial_x_train = x_train[1000:]

y_val = one_hot_train_labels[:1000]
partial_y_train = one_hot_train_labels[1000:]

5.2 训练模型

history = model.fit(partial_x_train, partial_y_train, epochs=20,
                    batch_size=512, validation_data=(x_val, y_val))

5.3 绘制训练损失和验证损失

loss = history.history['loss']
val_loss = history.history['val_loss']

epochs = range(1, len(loss) + 1)

plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.xlabel('Epochs')
plt.xlabel('Loss')
plt.legend()
plt.show()

5.4 绘制训练精度和验证精度

plt.clf()  #清空图像

acc = history.history['acc']
val_acc = history.history['val_acc']

plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()
plt.show()

从图中看出网络在训练 9 轮后开始过拟合。从头开始训练一个新网络，共 9 个轮次，然后在测试集上评估模型。

5.5 重新训练一个模型

model = models.Sequential()
model.add(layers.Dense(64, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(46, activation='softmax'))
model.compile(optimizer='rmsprop',loss='categorical_crossentropy', metrics=['accuracy'])
model.fit(partial_x_train, partial_y_train, epochs=9,
          batch_size=512, validation_data=(x_val, y_val))
results = model.evaluate(x_test, one_hot_test_labels)

print(results)

可以看出这种方法可以得到约 80% 的精度。

6 在新数据上生成预测结果

# predictionsz中的每个元素都是长度为46的向量
print(predictions[1].shape)
# 此向量的所有元素和为1
print(np.sum(predictions[1]))
# 最大的元素就是预测类别，即概率最大的类别
print(np.argmax(predictions[1]))

这个例子就到这里了，你也可以进行如下尝试：

尝试使用更多或更少的隐藏单元，比如 32 个、128 个等。
前面使用了两个隐藏层，现在尝试使用一个或三个隐藏层。

7 总结

• 如果要对 N 个类别的数据点进行分类，网络的最后一层应该是大小为 N 的 Dense 层。
• 对于单标签、多分类问题，网络的最后一层应该使用 softmax 激活，这样可以输出在 N
  个输出类别上的概率分布。
• 这种问题的损失函数几乎总是应该使用分类交叉熵。它将网络输出的概率分布与目标的
  真实分布之间的距离最小化。
• 处理多分类问题的标签有两种方法。

1. 通过分类编码（也叫 one-hot 编码）对标签进行编码，然后使用 categorical_crossentropy 作为损失函数。
2. 将标签编码为整数，然后使用 sparse_categorical_crossentropy 损失函数。

• 如果你需要将数据划分到许多类别中，应该避免使用太小的中间层，以免在网络中造成
  信息瓶颈。