|
|
51CTO旗下网站
|
|
移动端

3.8 将一维CNN 应用于文本

《Python深度学习实战:75个有关神经网络建模、强化学习与迁移学习的解决方案》第3章卷积神经网络,本章重点介绍CNN 及其构建模块。在本章中,将提供有关CNN 中使用的技术和优化方案。本节为大家介绍将一维CNN 应用于文本。

作者:程国建/周冠武 译来源:机械工业出版社|2018-09-01 10:49

3.8 将一维CNN 应用于文本

到目前为止,已经将CNN 应用于图像数据。如简介所述,CNN 也可以应用于其他类型的输入数据。在下面的方案中,将展示如何将CNN 应用于文本数据。更具体地说,将使用CNN 结构对文本进行分类。与二维图像不同,文本具有一维输入数据。因此,将在下一个方案中使用一维卷积图层。Keras 框架使得预处理输入数据变得非常简单。

如何去做…

1)开始导入函数库,如下所示:

2)使用Keras 的IMDB 数据集,用下面的代码加载数据:

3)输出显示一个训练数据和测试数据的示例:

4)通过填充序列,为网络准备输入:

5)现在准备好定义网络架构:

6)定义一个回调函数来防止过拟合训练数据:

7)定义超参数并开始训练网络:

8)最后,检查训练好的网络在测试集上的性能:

这里使用的简单模型已经能够准确地对文本所表达的情感进行分类,在测试集上的精度为87.3%。在第4 章中,将向读者展示如何通过将CNN 与RNN 相结合来进一步提高文本分类器的性能。


喜欢的朋友可以添加我们的微信账号:

51CTO读书频道二维码


51CTO读书会第9群:808517103

【责任编辑:book TEL:(010)68476606】

回书目   上一节   
点赞 0
分享:
大家都在看
猜你喜欢

读 书 +更多

精通正则表达式(第3版)

随着互联网的迅速发展,几乎所有工具软件和程序语言都支持的正则表达式也变得越来越强大和易于使用。本书是讲解正则表达式的经典之作。本书...

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊
博聚网