《python深度学习》笔记2

本文通过使用Python深度学习库Keras,对IMDb电影评论数据集进行情感分析。首先加载并预处理数据,然后构建神经网络模型,接着训练模型并对训练损失与验证损失进行可视化展示,最后分享了一些关于模型优化和评估的见解。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这是《python深度学习》的代码+我的一些注释笔记,可能有一些函数已经有库实现了,我先放在着,以后遇到了我再过来补,如果有大神指教就更好了

import numpy as np
import pandas as pd
from keras.datasets import imdb
from keras import models
from keras import layers
#配置优化器
from keras import optimizers
#使用自定义的损失和指标
from keras import losses
from keras import metrics
#绘制训练精度和验证损失
import matplotlib.pyplot as plt
#加载数据
(train_data,train_labels),(test_data,test_labels)=imdb.load_data(num_words=10000)

#将整数序列编码为二进制矩阵
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)
#将标签向量化
#array和asarray都可以将结构数据转化为ndarray,但是主要区别就是当数据源是ndarray时,array仍然会copy出一个副本,占用新的内存,但asarray不会。
y_train = np.asarray(train_labels).astype('float32')
y_test=np.asarray(test_labels).astype('float32')

modele=models.Sequential()
modele.add(layers.Dense(16,activation='relu',input_shape=(10000,)))
modele.add(layers.Dense(16,activation='relu'))
modele.add(layers.Dense(1,activation='sigmoid'))

#编译模型,配制优化器,使用自定义的损失和指标
modele.compile(optimizer=optimizers.RMSprop(lr=0.001),loss=losses.binary_crossentropy,metrics=[metrics.binary_accuracy])

#留出验证集
x_val=x_train[:10000]
partial_x_train=x_train[10000:]

y_val=y_train[:10000]
partial_y_train=y_train[10000:]

#训练模型
history=modele.fit(partial_x_train,partial_y_train,epochs=20,batch_size=512,validation_data=(x_val,y_val))

#绘制训练损失和验证损失
history_dict=history.history
loss_value=history_dict['loss']
val_loss_values=history_dict['val_loss']

epoches=range(1,len(loss_value)+1)
plt.plot(epoches,loss_value,'bo',label='Training loss')
plt.plot(epoches,val_loss_values,'b',label='Validation loss')
plt.title('Training and Validation loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()

plt.show()
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值