文本情感分析—模型构建及训练

最新推荐文章于 2024-09-16 16:20:37 发布

深夜喝牛奶

最新推荐文章于 2024-09-16 16:20:37 发布

阅读量5.7k

点赞数 2

文章标签：自然语言处理深度学习机器学习 tensorflow

本文链接：https://blog.csdn.net/weixin_43495111/article/details/104663730

版权

本文档介绍了如何构建和训练一个用于文本情感分析的深度学习模型，包括使用Keras的Sequential模型，添加Embedding层、LSTM层、Dropout和Dense层，并通过train_test_split进行数据划分，最后用lstm_model.fit进行模型训练。

摘要由CSDN通过智能技术生成

数据模型构建及训练代码：
引自：文本情感分析

# 创建深度学习模型， Embedding + LSTM + Softmax.
def create_LSTM(n_units, input_shape, output_dim, filepath):
    x, y, output_dictionary, vocab_size, label_size, inverse_word_dictionary = load_data(filepath)
    model = Sequential()
    model.add(Embedding(input_dim=vocab_size + 1, output_dim=output_dim,
                        input_length=input_shape, mask_zero=True))
    model.add(LSTM(n_units, input_shape=(x.shape[0], x.shape[1])))
    model.add(Dropout(0.2))
    model.add(Dense(label_size, activation='softmax'))
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

    plot_model(model, to_file='./model_lstm.png', show_shapes=True)
    model.summary()

    return model

# 模型训练
def model_train(input_shape, filepath, model_save_path):

    # 将数据集分为训练集和测试集，占比为9:1
    # input_shape = 100
    x, y, output_dictiona