实战篇：如何用Keras建立神经网络（附全部代码）

Keras是目前最受欢迎的深度学习库之一，对人工智能的商业化做出了巨大贡献。它使用起来非常简单，它使你能够通过几行代码就可以构建强大的神经网络。在这篇文章中，你将了解如何通过Keras构建神经网络，并且将用户评论分为两类：积极或消极来预测用户评论的情感。这就是社交媒体所谓的情感分析，我们会用著名的imdb评论数据集来做。我们构建的模型只需进行一些更改，就可以应用于其他机器学习问题。

请注意，我们不会深入Keras或深度学习的细节，这对于想要进入人工智能领域却没有深厚的数学功底的程序员来说是件好事。

目录：

1.Keras是什么？

2.什么是情绪分析？

3.imdb数据集。

4.导入依赖关系并获取数据。

5.探索数据。

6.数据准备。

7.建立和训练模型。

Keras是什么？

Keras是一个开源的python库，可以让你轻松构建神经网络。该库能够在TensorFlow、Microsoft Cognitive Toolkit、Theano和MXNet上运行。Tensorflow和Theano是Python中用来构建深度学习算法的最常用的平台，但它们可能相当复杂且难以使用。相比之下，Keras提供了一种简单方便的方法来构建深度学习模型。它的创造者FrançoisChollet开发了它，使人们能够尽可能快速和简单地构建神经网络。他专注于可扩展性、模块化、极简主义和python的支持。Keras可以与GPU和CPU一起使用，并支持Python 2和Python 3。Google Keras为深度学习和人工智能的商业化做出了巨大贡献，越来越多的人正在使用它们。

什么是情绪分析？

借助情感分析，我们想要确定例如演讲者或作家对于文档或事件的态度（例如情感）。因此，这是一个自然语言处理问题，需要理解文本，以预测潜在的意图。情绪主要分为积极的，消极的和中立的类别。通过使用情绪分析，我们希望根据他撰写的评论，预测客户对产品的意见和态度。因此，情绪分析广泛应用于诸如评论，调查，文档等等。

imdb数据集

imdb情绪分类数据集由来自imdb用户的50,000个电影评论组成，标记为positive（1）或negative（0）。评论是预处理的，每一个都被编码为一个整数形式的单词索引序列。评论中的单词按照它们在数据集中的总体频率进行索引。例如，整数“2”编码数据中第二个最频繁的词。50,000份评论分为25,000份训练和25,000份测试。该数据集由斯坦福大学的研究人员创建，并在2011年发表在一篇论文中，他们的准确性达到了88.89％。它也被用在2011年Kaggle竞赛的“Bag of Words Meets Bags of Popcorn”方案中，并且取得了非常好的效果。

导入依赖关系并获取数据

我们首先导入所需的依赖关系来预处理数据并构建我们的模型。

％matplotlib inline 
import matplotlib 
import matplotlib.pyplot as plt
import numpy as np 
from keras.utils import to_categorical 
from keras import keras import models 
from keras import layers

我们继续下载imdb数据集，幸好它已经被内置到Keras中。这样我们就不用将他进行5/5测试拆分，但我们也会在下载后立即将数据合并到数据和目标中，以便稍后进行80/20的拆分。