最简单深度学习Python实现（二分类问题）

二分类问题指的是所有数据的标签就只有两种，正面或者负面。

一，准备数据

我们使用的数据是内置于Keras的IMDB数据集。它包含50000条两极分化的电影评论，正面评论和负面评论各占一半。其中25000用于训练，25000用于测试。

rom keras.datasets import imdb

#加载imdb数据集
(train_data,train_labels),(test_data,test_labels) = \
    imdb.load_data(num_words=10000)#保留前10000个最常出现的单词

数据已经被预处理，单词被转换成了整数，每个整数代表了某个单词，所以我们看到的是由单词索引组成的列表：
而标签则是0和1组成的列表，0代表负面，1代表正面：

接下来我们要对数据进行one-hot编码，即所有数据都是10000维向量（因为数据最多也就出现一万个字，你只载入了前一万个最常出现的单词）他出现的数字的索引的值为1，其余为0，举个简单的例子，如果某个评论只有两个单词，即只有两个数字（假设为3和5）,那么它就是[3,5],转为one-hot就变成10000维向量，只有索引3，5，的元素是1，其余都是0.

#将数据向量化
def vectoriza_sequences(sequences,dimension=10000):
    results = np.zeros((len(sequences),dimension))
    #生成一个元素全部为0，形状是数据长度*10000的二维numpy数组
    for i, sequence in enumerate(sequences):
        #enumerate()函数返回两个参数：元素下标，对应的元素
        results[i,sequence] = 1
        #这里i返回的就是0-24999，sequence返回的是一个列表。
    return results

x_train = vectoriza_sequences(train_data)
x_test = vectoriza_sequences(test_data)

如果对于 vectoriza_sequences不是很理解可以看一下这个简单的代码</