cnn卷积神经网络_代码实践 | CNN卷积神经网络之文本分类

学习目录

阿力阿哩哩：深度学习 | 学习目录​zhuanlan.zhihu.com

前面我们介绍了:

阿力阿哩哩：一文掌握CNN卷积神经网络​zhuanlan.zhihu.com

阿力阿哩哩：代码实践｜全连接神经网络与文本分类​zhuanlan.zhihu.com

4.7代码实践

4.7.3 CNN卷积神经网络之文本分类

笔者在4.7.2节介绍了神经网络文本分类的招聘信息分类（代码实践｜全连接神经网络与文本分类），并介绍了文本在进入神经网络前的预处理工作。今天笔者给大家分享的是CNN卷积神经网络对招聘数据的分类，也同样要对文本进行预处理，所以还没了解文本预处理的读者，可以翻阅4.7.2节。

同样地，我们的招聘数据集也是和上一小节一样。

1. 实验流程

(1) 加载数据

(2) 数据上标签

(3) 中文分词

(4) 提取文本关键词

(5) 建立token字典

(6) 使用token字典将“文字”转化为“数字列表”

(7) 截长补短让所有“数字列表”长度都是50 ：保证每个文本都是同样的长度，避免不必要的错误。

(8) Embedding层将“数字列表”转化为"向量列表"

(9) 将向量列表送入深度学习模型（CNN卷积神经网络）进行训练

(10)保存模型与模型可视化

(11)模型的预测功能

(12)训练过程可视化

2. 代码

1.  

1) 加载数据

1.  

1.  

2) 训练

1.  

3) 开始训练CNN

1.  

4) 保存模型

1.  

5) 模型的预测功能

1.  

6) 训练过程可视化

1.  

3. 结果分析

在迭代了1个epochs之后，验证集的损失loss和acc，趋于平稳，这时，我们得到的模型已经是最优的了。所以讲epoch设置为1即可。

下一期，我们将继续介绍

CNN卷积神经网络｜图像分类

happy valentine's day~

关注我的微信公众号【阿力阿哩哩的炼丹日常】~不定期更新相关专业知识~

喜欢就点个赞吧~