Press "Enter" to skip to content

(路透社数据集)新闻分类:多分类问题实战

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

目录

对于路透社数据集的评论分类实战

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

 

from keras.datasets import reuters
# 加载路透社数据集,包含许多短新闻及其对应的主题,它包含46个不同的主题。
# 加载数据:训练数据、训练标签;测试数据、测试标签。
# 将数据限定为前10000个最常出现的单词。
(train_data, train_labels), (test_data, test_labels) = reuters.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

 

# 将单词映射为整数索引的字典。
word_index = reuters.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)

 

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)
# 将每个标签表示为全零向量,只有标签索引对应的元素为1
from keras.utils.np_utils import to_categorical
# keras内置这种转化方法,原理的话,与上边将整数序列转化为二进制矩阵的函数没有差别,唯一的不同是传入的维度是46,而不是10000。
one_hot_train_labels = to_categorical(train_labels)
one_hot_test_labels = to_categorical(test_labels)
# 查看一下训练集
print(one_hot_test_labels[0])
# 查看x_train
print(x_train)

 

输出one_hot_test_labels[0]:

 

输出x_train:

 

1-4、搭建神经网络&选择损失函数和优化器&划分出验证集

 

units = 64
from keras import models
from keras import layers
model = models.Sequential()
model.add(layers.Dense(units, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(units, activation='relu'))
# 因为这里是46个类别,所以最后一层激活函数使用softmax,即对于每个输入样本,网络都会输出一个46维的向量,这个向量的每个元素代表不同的输出类别
model.add(layers.Dense(46, activation='softmax'))
# one-hot编码标签对应categorical_crossentropy(分类交叉熵损失函数)
# 标签直接转化为张量对应sparse_categorical_crossentropy(稀疏交叉熵损失)
model.compile(
            optimizer='rmsprop',
            # 这类问题的损失一般都会使用分类交叉熵损失函数。
            loss = 'categorical_crossentropy',
            metrics = ['accuracy']
            )
x_val = x_train[:1000]
partial_x_train = x_train[1000:]
y_val = one_hot_train_labels[:1000]
partial_y_train = one_hot_train_labels[1000:]

 

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 = 10
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、64个隐藏单元
# 训练轮次:20 损失:1.22 准确率:0.78
# 训练轮次:10 损失:0.96 准确率:0.79
# 训练轮次:9 损失:1.00 准确率:0.77
# 训练轮次:6 损失:1.01 准确率:0.77
# 两层、128个隐藏单元 
# 训练轮次:20 损失:1.31 准确率:0.77
# 训练轮次:4 损失:0.97 准确率:0.78
# 注意:准确率会浮动,一般在0.2的范围内浮动。
model.evaluate(x_test, one_hot_test_labels)

 

 

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)。

 

三、碎碎念(绘制3D爱心代码)

 

# 刚打开csdn看到一个绘制3D爱心的代码,于是我直接白嫖过来。
import numpy as np
import wxgl.glplot as glt
a = np.linspace(0, 2*np.pi, 500)
b = np.linspace(0.5*np.pi, -0.5*np.pi, 500)
lons, lats = np.meshgrid(a, b)
w = np.sqrt(np.abs(a - np.pi)) * 2
x = 2 * np.cos(lats) * np.sin(lons) * w
y = -2 * np.cos(lats) * np.cos(lons) * w
z = 2 * np.sin(lats)
glt.mesh(x, y, z, color='crimson') # crimson - 绯红
glt.show()

 

输出:

 

七夕不快乐,呱呱呱。

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。