前言

一、电影评论分类实战

1-1、数据集介绍&数据集导入&分割数据集

# 加载imdb数据集
# 25000条训练和25000条测试数据
# 训练集和测试集都包含50%的正面评论和50%的负面评论。
from keras.datasets import imdb

# 已经经历过预处理，评论，单词序列已经转化为整数序列。
# 加载数据：训练数据、训练标签；测试数据、测试标签。
# num_words=10000：保留训练数据中前10000个最常出现的单词，低频单词将被舍弃。这样得到的向量数据不会太大，便于处理。
(train_data,train_labels),(test_data,test_labels) = imdb.load_data(num_words=10000)

# 查看训练数据
train_data[0:2]

输出：可以看到单词序列已经被转化为了整数序列，否则的话我们还需要手动搭建词典并且将其转化为整数序列。

1-2、字典的键值对颠倒&数字评论解码

# get_word_index: 是imdb自带的方法，获取字典。
# 将单词映射为整数索引的字典。
word_index = imdb.get_word_index()

# 键值颠倒，将整数索引映射为单词。
# 颠倒之后，前边是整数索引，后边是对应的单词。
reverse_word_index = dict(
    [(value, key) for (key, value) in word_index.items()])

# 将评论解码，注意，索引减去了3，是因为0、1、2是特殊含义的字符。
decoded_review = ' '.join(
    # 根据整数索引，查找对应的单词，然后使用空格来进行连接，如果没有找到相关的索引，那就用问号代替
    [reverse_word_index.get(i - 3, '?') for i in train_data[0]])
# 看一下颠倒后的词典
print(reverse_word_index)
# 查看一下解码后的评论
print(decoded_review)

输出reverse_word_index：

输出decoded_review:

1-3、将整数序列转化为张量（训练数据和标签）

# 我们不可以直接把训练数据对应的整数序列输入到神经网络中，所以我们需要先进行转换。
import numpy as np
def vectorize_sequences(sequences,dimension=10000):
    """
    将整数序列转化为二进制矩阵的函数
    """
    results = np.zeros((len(sequences), dimension))
    for i, sequences in enumerate(sequences):
        # 相应列上的元素置为1，其他位置上的元素都为0。
        results[i, sequences] = 1
    return results

# 这里只是预处理的一种方式，即单词序列编码为二进制向量，当然也可以采用其他方式，
# 比如说直接填充列表，然后使其具有相同的长度，然后将其转化为张量，并且网络第一层使用能够处理这种整数张量的层，即Embedding层。
# 训练数据向量化，即将其转化为二进制矩阵
x_train = vectorize_sequences(train_data)
x_test = vectorize_sequences(test_data)
# 将标签向量化·············
y_train = np.asarray(train_labels).astype('float32')
y_test = np.asarray(test_labels).astype('float32')
# 查看一下训练集
x_train

输出：

1-4、搭建神经网络&选择损失函数和优化器&划分出验证集

from keras import models
from keras import layers

model = models.Sequential()
model.add(layers.Dense(16, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(16, activation='relu'))
# 二分类问题的话，网络的最后一层应该是只有一个单元并且使用sigmoid激活的Dense层，输出是0-1范围内的标量，表示概率值。
model.add(layers.Dense(1, activation='sigmoid'))
# rmsprop通常是通用的优化器
model.compile(optimizer='rmsprop',
             loss='binary_crossentropy',
             metrics=['accuracy'])
x_val = x_train[:10000]
partial_x_train = x_train[10000:]

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

1-5、开始训练&绘制训练损失和验证损失&绘制训练准确率和验证准确率

epochs = 3

history = model.fit(
                    partial_x_train,
                    partial_y_train,
                    epochs=epochs,
                    batch_size=512,
                    validation_data=(x_val, y_val)
                    )

训练过程：

绘制训练损失和验证损失：

import plotly.express as px
import plotly.graph_objects as go

history_dic = history.history
loss_val = history_dic['loss']
val_loss_values = history_dic['val_loss']
# epochs = range(1, len(loss_val)+1)
# np.linspace：作为序列生成器， numpy.linspace()函数用于在线性空间中以均匀步长生成数字序列
# 左闭右闭，所以是从整数1到20.
# 参数：起始、结束、生成的点
epochs = np.linspace(1, epochs, epochs)
fig = go.Figure()

# Add traces
fig.add_trace(go.Scatter(x=epochs, y=loss_val,
                    mode='markers',
                    name='Training loss'))
fig.add_trace(go.Scatter(x=epochs, y=val_loss_values,
                    mode='lines+markers',
                    name='Validation loss'))
fig.show()

输出：

绘制训练准确率和验证准确率：

acc = history_dic['accuracy']
val_acc = history_dic['val_accuracy']
fig = go.Figure()

# Add traces
fig.add_trace(go.Scatter(x=epochs, y=acc,
                    mode='markers',
                    name='Training acc'))
fig.add_trace(go.Scatter(x=epochs, y=val_acc,
                    mode='lines+markers',
                    name='Validation acc'))
fig.show()

输出：

1-6、在测试集上验证准确率

# 两层隐藏层
# 隐藏单元： 16
# 训练20轮次，得到73的损失，85的准确率。
# 训练10轮次，得到41的损失，86的准确率。
# 训练5轮次，得到30的损失，87的准确率。
# 训练4轮次， 得到32的损失，86的准确率。
# 训练3轮次，得到29的损失，88.3的准确率。

# 隐藏单元：32
# 训练4轮次，得到30的损失，87.9的准确率。

# 隐藏单元：64
# 训练3轮次，得到30的损失，87.8的准确率。
model.evaluate(x_test, y_test)

# model.predict(x_test): 得到测试集上评论为正面的可能性大小。

二、调参总结

调参总结：
1、训练轮次：先选择较大的轮次，一般设置为20，观察数据在验证集上的表现，训练是为了拟合一般数据，所以当模型在验证集上准确率下降时，那就不要再继续训练了。
2、隐藏单元设置：二分类选择较小的单元数，如果是多分类的话，可以试着设置较大的单元数，比如说64、128等。
3、隐藏层数设置：同隐藏单元的设置规则，这里设置的层数较少，如果数据复杂，可以多加几层来观察数据的整体表现。
4、标签直接设置为one-hot编码时，则对应设置损失为categorical_crossentropy（分类交叉熵损失函数），若标签直接转化为张量，则对应设置损失为sparse_categorical_crossentropy（稀疏交叉熵损失）。

总结

呱呱呱。