二分類(lèi)問(wèn)題可能是應(yīng)用最廣泛的機(jī)器學(xué)習(xí)問(wèn)題。今天我們將學(xué)習(xí)根據(jù)電影評(píng)論的文字內(nèi)容將其劃分為正面或負(fù)面。
一、數(shù)據(jù)集來(lái)源
我們使用的是IMDB數(shù)據(jù)集，它包含來(lái)自互聯(lián)網(wǎng)電影數(shù)據(jù)庫(kù)（IMDB）的50000條嚴(yán)重兩極分化的評(píng)論。為了避免模型過(guò)擬合只記住訓(xùn)練數(shù)據(jù)，我們將數(shù)據(jù)集分為用于訓(xùn)練的25000條評(píng)論與用于測(cè)試的25000條評(píng)論，訓(xùn)練集和測(cè)試集都包含50%的正面評(píng)論和50%的負(fù)面評(píng)論。
與MNIST數(shù)據(jù)集一樣，IMDB數(shù)據(jù)集也內(nèi)置于Keras庫(kù)。它已經(jīng)過(guò)預(yù)處理：評(píng)論（單詞序列）已經(jīng)被轉(zhuǎn)換為整數(shù)序列，其中每個(gè)整數(shù)代表字典中的某個(gè)單詞。
通過(guò)以下代碼加載數(shù)據(jù)集并限制每條評(píng)論最多取前一萬(wàn)個(gè)常用的word，以便于我們進(jìn)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(guò)輸出可以看到，train_data和test_data是評(píng)論記錄的集合，每條評(píng)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(duì)評(píng)論的分類(lèi)的集合，其中0表示負(fù)面評(píng)論，1表示正面評(píng)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(guò)word與編號(hào)的映射關(guān)系將評(píng)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(píng)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(píng)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(wú)法直接將整數(shù)序列輸入神經(jīng)網(wǎng)絡(luò)，所以需要將其轉(zhuǎn)換為張量。可以通過(guò)以下兩種方式進(jìn)行轉(zhuǎn)化
填充列表，使其具有相同的長(zhǎng)度，然后將列表轉(zhuǎn)化為(samples, word_index)的2D形狀的整數(shù)張量。對(duì)列表進(jìn)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(jìn)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(biāo)簽進(jìn)行向量化處理
y_train = np.asarray(train_labels).astype('float32')
y_test = np.asarray(test_labels).astype('float32')
三、構(gòu)建神經(jīng)網(wǎng)絡(luò)
針對(duì)這里二分類(lèi)單標(biāo)簽，我們可以直接使用帶有relu激活函數(shù)的全連接層的簡(jiǎn)單堆疊。
我們使用了兩個(gè)具有16個(gè)隱藏單元的中間層和具有一個(gè)隱藏單元的層。中間層使用的relu激活函數(shù)負(fù)責(zé)將所有的負(fù)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(yù)測(cè)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(shí)現(xiàn)了如下的張量計(jì)算,傳入Dense層的參數(shù)16表示隱藏單元的個(gè)數(shù)，同時(shí)也表示這個(gè)層輸出的數(shù)據(jù)的維度數(shù)量。隱藏單元越多，網(wǎng)絡(luò)越能夠?qū)W習(xí)到更加復(fù)雜的表示，但是網(wǎng)絡(luò)計(jì)算的代價(jià)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(lái)配置模型。
model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])
四、訓(xùn)練模型
將訓(xùn)練數(shù)據(jù)分出一小部分作為校驗(yàn)數(shù)據(jù)，同時(shí)將512個(gè)樣本作為一批量處理，并進(jìn)行20輪的訓(xùn)練，同時(shí)出入validation_data來(lái)監(jiān)控校驗(yàn)樣本上的損失和計(jì)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(duì)象包含訓(xùn)練過(guò)程的所有數(shù)據(jù)
history_dict = history.history
print(history_dict.keys())
字典中包含4個(gè)條目，對(duì)應(yīng)訓(xùn)練過(guò)程和校驗(yàn)過(guò)程的指標(biāo)，其中l(wèi)oss是訓(xùn)練過(guò)程中損失指標(biāo)，accuracy是訓(xùn)練過(guò)程的準(zhǔn)確性指標(biāo)，而val_loss是校驗(yàn)過(guò)程的損失指標(biāo)，val_accuracy是校驗(yàn)過(guò)程的準(zhǔn)確性指標(biāo)。
dict_keys(['loss', 'accuracy', 'val_loss', 'val_accuracy'])
我們使用Matplotlib畫(huà)出訓(xùn)練損失和校驗(yàn)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(gè)訓(xùn)練過(guò)程，損失函數(shù)值一直在不斷的變小，但是校驗(yàn)過(guò)程的損失函數(shù)值卻先變小后變大，在2.5-5之間的某個(gè)點(diǎn)達(dá)到最小值。
我們使用Matplotlib畫(huà)出訓(xùn)練精度和校驗(yàn)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(gè)訓(xùn)練過(guò)程，準(zhǔn)確度值一直在不斷的升高，但是校驗(yàn)過(guò)程的精度數(shù)值卻在不斷的進(jìn)行波動(dòng)，在2.5-5之間的某個(gè)點(diǎn)達(dá)到最大值。
通過(guò)對(duì)訓(xùn)練和校驗(yàn)指標(biāo)的分析，可以看到訓(xùn)練的損失每輪都在降低，訓(xùn)練的精度每輪都在提升。但是校驗(yàn)損失和校驗(yàn)精度基本上在第4輪左右達(dá)到最佳值。為了防止這種過(guò)擬合的情況，我們可以在第四輪完成之后直接停止訓(xùn)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(dá)到87%
782/782 [==============================] - 1s 876us/step - loss: 0.3137 - accuracy: 0.8729
[0.3137112557888031, 0.8728799819946289]
五、使用測(cè)試數(shù)據(jù)預(yù)測(cè)結(jié)果
使用訓(xùn)練的模型對(duì)test數(shù)據(jù)集進(jìn)行預(yù)測(cè)
result = model.predict(x_test)
print(result)
[[0.31683978]
[0.9997941 ]
[0.9842608 ]
...
[0.18170357]
[0.23360077]
六、小結(jié)
- 需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理并轉(zhuǎn)化為符合要求的張量。
- 對(duì)于二分類(lèi)問(wèn)題，最后一層使用sigmoid作為激活函數(shù)，并輸出0-1的標(biāo)量來(lái)表示結(jié)果出現(xiàn)的概率。
- 對(duì)于二分類(lèi)問(wèn)題的sigmoid標(biāo)量輸出，應(yīng)該使用binary_crossentropy損失函數(shù)。
- 隨著訓(xùn)練過(guò)程的進(jìn)行，很容易出現(xiàn)過(guò)擬合現(xiàn)象，我們需要時(shí)刻監(jiān)控模型在非訓(xùn)練數(shù)據(jù)集的表現(xiàn)。
到此這篇關(guān)于機(jī)器深度學(xué)習(xí)之電影的二分類(lèi)情感問(wèn)題的文章就介紹到這了,更多相關(guān)深度學(xué)習(xí)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)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(xué)習(xí)詳解之初試機(jī)器學(xué)習(xí)
- 深度學(xué)習(xí)小工程練習(xí)之tensorflow垃圾分類(lèi)詳解
- 深度學(xué)習(xí)tensorflow基礎(chǔ)mnist
- 吳恩達(dá)機(jī)器學(xué)習(xí)練習(xí):神經(jīng)網(wǎng)絡(luò)(反向傳播)
