二分類問題可能是應用最廣泛的機器學習問題。今天我們將學習根據(jù)電影評論的文字內(nèi)容將其劃分為正面或負面。
一、數(shù)據(jù)集來源
我們使用的是IMDB數(shù)據(jù)集，它包含來自互聯(lián)網(wǎng)電影數(shù)據(jù)庫（IMDB）的50000條嚴重兩極分化的評論。為了避免模型過擬合只記住訓練數(shù)據(jù)，我們將數(shù)據(jù)集分為用于訓練的25000條評論與用于測試的25000條評論，訓練集和測試集都包含50%的正面評論和50%的負面評論。
與MNIST數(shù)據(jù)集一樣，IMDB數(shù)據(jù)集也內(nèi)置于Keras庫。它已經(jīng)過預處理：評論（單詞序列）已經(jīng)被轉(zhuǎn)換為整數(shù)序列，其中每個整數(shù)代表字典中的某個單詞。
通過以下代碼加載數(shù)據(jù)集并限制每條評論最多取前一萬個常用的word，以便于我們進行向量處理。
import tensorflow as tf
imdb = tf.keras.datasets.imdb
(train_data, train_labels),(test_data, test_labels) = imdb.load_data(num_words=10000)
print(train_data[0])
print(train_labels[0])
通過輸出可以看到，train_data和test_data是評論記錄的集合，每條評論記錄又是由眾多的單詞索引組成的集合。
train_labels和test_labels是針對評論的分類的集合，其中0表示負面評論，1表示正面評論。
[1, 14, 22, 16, 43, 530, 973, 1622, 1385, 65, 458, 4468, 66, 3941, 4, 173, 36, 256, 5, 25, 100, 43, 838, 112, 50, 670, 2, 9, 35, 480, 284, 5, 150, 4, 172, 112, 167, 2, 336, 385, 39, 4, 172, 4536, 1111, 17, 546, 38, 13, 447, 4, 192, 50, 16, 6, 147, 2025, 19, 14, 22, 4, 1920, 4613, 469, 4, 22, 71, 87, 12, 16, 43, 530, 38, 76, 15, 13, 1247, 4, 22, 17, 515, 17, 12, 16, 626, 18, 2, 5, 62, 386, 12, 8, 316, 8, 106, 5, 4, 2223, 5244, 16, 480, 66, 3785, 33, 4, 130, 12, 16, 38, 619, 5, 25, 124, 51, 36, 135, 48, 25, 1415, 33, 6, 22, 12, 215, 28, 77, 52, 5, 14, 407, 16, 82, 2, 8, 4, 107, 117, 5952, 15, 256, 4, 2, 7, 3766, 5, 723, 36, 71, 43, 530, 476, 26, 400, 317, 46, 7, 4, 2, 1029, 13, 104, 88, 4, 381, 15, 297, 98, 32, 2071, 56, 26, 141, 6, 194, 7486, 18, 4, 226, 22, 21, 134, 476, 26, 480, 5, 144, 30, 5535, 18, 51, 36, 28, 224, 92, 25, 104, 4, 226, 65, 16, 38, 1334, 88, 12, 16, 283, 5, 16, 4472, 113, 103, 32, 15, 16, 5345, 19, 178, 32]
1
我們可以通過word與編號的映射關系將評論的內(nèi)容轉(zhuǎn)化為具體的文本
def get_text(comment_num):
"""將數(shù)字形式的評論轉(zhuǎn)化為文本"""
# word_index = tf.keras.datasets.imdb.get_word_index()
word_index = imdb.get_word_index()
reverse_word_index = dict([(value, key) for (key, value) in word_index.items()])
text = ' '.join([reverse_word_index.get(i - 3, '?') for i in comment_num])
return text
comment = get_text(train_data[0])
print(comment)
第一條電影評論的內(nèi)容
? this film was just brilliant casting location scenery story direction everyone's really suited the part they played and you could just imagine being there robert ? is an amazing actor and now the same being director ?
二、格式化輸入數(shù)據(jù)
由于我們無法直接將整數(shù)序列輸入神經(jīng)網(wǎng)絡，所以需要將其轉(zhuǎn)換為張量?？梢酝ㄟ^以下兩種方式進行轉(zhuǎn)化
填充列表，使其具有相同的長度，然后將列表轉(zhuǎn)化為(samples, word_index)的2D形狀的整數(shù)張量。對列表進行one-hot編碼，將其轉(zhuǎn)化為0和1組成的向量。
這里我們采用one-hot進行編碼處理
def vectorize_sequences(sequences, diamension = 10000):
results = np.zeros((len(sequences), diamension))
for i, sequence in enumerate(sequences):
results[i, sequence] = 1
return results
x_train = vectorize_sequences(train_data)
print(x_train[0])
print(len(x_train[0]))
x_test = vectorize_sequences(test_data)
print(x_test[0])
print(len(x_test[0]))
轉(zhuǎn)化完成的輸入結(jié)果
[0. 1. 1. ... 0. 0. 0.]
10000
[0. 1. 1. ... 0. 0. 0.]
將標簽進行向量化處理
y_train = np.asarray(train_labels).astype('float32')
y_test = np.asarray(test_labels).astype('float32')
三、構建神經(jīng)網(wǎng)絡
針對這里二分類單標簽，我們可以直接使用帶有relu激活函數(shù)的全連接層的簡單堆疊。
我們使用了兩個具有16個隱藏單元的中間層和具有一個隱藏單元的層。中間層使用的relu激活函數(shù)負責將所有的負值歸零，最后一層使用sigmoid函數(shù)將任意值壓縮到[0,1]之間并作為預測結(jié)果的概率。
model = models.Sequential()
model.add(layers.Dense(16, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(16, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))
這里的Dense層實現(xiàn)了如下的張量計算,傳入Dense層的參數(shù)16表示隱藏單元的個數(shù)，同時也表示這個層輸出的數(shù)據(jù)的維度數(shù)量。隱藏單元越多，網(wǎng)絡越能夠?qū)W習到更加復雜的表示，但是網(wǎng)絡計算的代價就越高。
output = relu(dot(W, input) + b)
我們使用rmsprop優(yōu)化器和binary_crossentropy損失函數(shù)來配置模型。
model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])
四、訓練模型
將訓練數(shù)據(jù)分出一小部分作為校驗數(shù)據(jù)，同時將512個樣本作為一批量處理，并進行20輪的訓練，同時出入validation_data來監(jiān)控校驗樣本上的損失和計算精度。
x_val = x_train[:10000]
partial_x_train = x_train[10000:]
y_val = y_train[:10000]
partial_y_train = y_train[10000:]
history = model.fit(partial_x_train, partial_y_train, epochs= 20, batch_size=512, validation_data=(x_val, y_val))
調(diào)用fit()返回的history對象包含訓練過程的所有數(shù)據(jù)
history_dict = history.history
print(history_dict.keys())
字典中包含4個條目，對應訓練過程和校驗過程的指標，其中l(wèi)oss是訓練過程中損失指標，accuracy是訓練過程的準確性指標，而val_loss是校驗過程的損失指標，val_accuracy是校驗過程的準確性指標。
dict_keys(['loss', 'accuracy', 'val_loss', 'val_accuracy'])
我們使用Matplotlib畫出訓練損失和校驗損失的情況
loss_values = history_dict['loss']
val_loss_values = history_dict['val_loss']
epochs = range(1, len(loss_values) + 1)
plt.plot(epochs, loss_values, 'bo', label='Training loss')
plt.plot(epochs, val_loss_values, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()
從圖中可以看到整個訓練過程，損失函數(shù)值一直在不斷的變小，但是校驗過程的損失函數(shù)值卻先變小后變大，在2.5-5之間的某個點達到最小值。
我們使用Matplotlib畫出訓練精度和校驗精度的情況
plt.clf()
acc = history_dict['accuracy']
val_acc = history_dict['val_accuracy']
plt.plot(epochs, acc, 'bo', label='Training accuracy')
plt.plot(epochs, val_acc, 'b', label='Validation accuracy')
plt.title('Training and validation accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()
plt.show()
從圖中可以看到整個訓練過程，準確度值一直在不斷的升高，但是校驗過程的精度數(shù)值卻在不斷的進行波動，在2.5-5之間的某個點達到最大值。
通過對訓練和校驗指標的分析，可以看到訓練的損失每輪都在降低，訓練的精度每輪都在提升。但是校驗損失和校驗精度基本上在第4輪左右達到最佳值。為了防止這種過擬合的情況，我們可以在第四輪完成之后直接停止訓練。
history = model.fit(partial_x_train, partial_y_train, epochs= 4, batch_size=512, validation_data=(x_val, y_val))
results = model.evaluate(x_test, y_test)
print(results)
重新執(zhí)行可以看到模型的精度可以達到87%
782/782 [==============================] - 1s 876us/step - loss: 0.3137 - accuracy: 0.8729
[0.3137112557888031, 0.8728799819946289]
五、使用測試數(shù)據(jù)預測結(jié)果
使用訓練的模型對test數(shù)據(jù)集進行預測
result = model.predict(x_test)
print(result)
[[0.31683978]
[0.9997941 ]
[0.9842608 ]
...
[0.18170357]
[0.23360077]
六、小結(jié)
- 需要對原始數(shù)據(jù)進行預處理并轉(zhuǎn)化為符合要求的張量。
- 對于二分類問題，最后一層使用sigmoid作為激活函數(shù)，并輸出0-1的標量來表示結(jié)果出現(xiàn)的概率。
- 對于二分類問題的sigmoid標量輸出，應該使用binary_crossentropy損失函數(shù)。
- 隨著訓練過程的進行，很容易出現(xiàn)過擬合現(xiàn)象，我們需要時刻監(jiān)控模型在非訓練數(shù)據(jù)集的表現(xiàn)。
到此這篇關于機器深度學習之電影的二分類情感問題的文章就介紹到這了,更多相關深度學習內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- 深度學習詳解之初試機器學習
- 深度學習小工程練習之tensorflow垃圾分類詳解
- 深度學習tensorflow基礎mnist
- 吳恩達機器學習練習:神經(jīng)網(wǎng)絡(反向傳播)
