IMDB数据集下载速度慢,可以在我的repo库中找到下载,下载后放到/.keras/datasets/目录下,即可正常运行。)中找到下载,下载后放到/.keras/datasets/目录下,即可正常运行。
电影评论分类:二分类
二分类可能是机器学习最常解决的问题。我们将基于评论的内容将电影评论分类:正类和父类。
IMDB数据集
IMDB数据集有5万条来自网络电影数据库的评论;其中2万5千条用来训练,2万5千条用来测试,每个部分正负评论各占50%.
划分训练集、测试集的必要性:不能在相同的数据集上对机器学习模型进行测试。因为在训练集上模型表现好并不意味着泛化能力好(在没有见过的数据上仍然表现良好),而我们关心的是模型的泛化能力.
和MNIST数据集类似,IMDB数据集也集成在Keras中,同时经过了预处理:电影评论转换成了一系列数字,每个数字代表字典中的一个单词。
加载数据集
from keras.datasets import imdb
(train_data,train_labels),(test_data,test_labels) = imdb.load_data(num_words=10000)
num_words=10000意味着只保留训练集中最常出现的前10000个词,不经常出现的单词被抛弃---最终所有评论的维度保持相同。
变量train_data,test_data是电影评论的列表,每条评论由数字(对应单词在词典中出现的位置下标)列表组成。train_labels,test_labels是0,1列表,0负面评论,1表示正面评论。
>>> train_data[0]
[1, 14, 22, 16, ... 178, 32]
>>> train_labels[0]
1
预处理数据
不能直接将list类型的数据送到神经网络中训练,必须将list类型转换为tensor张量类型。有两种转换方式:
- 填充列表使每个列表长度都相同,然后转换为整数类型的张量,形状为(samples, word_indices),使用张量作为神经网络的第一层(Embedding层,能处理这样的整数类型张量);
- 将列表进行one-hot编码,转换成0、 1向量。然后用Dense网络层作为神经网络的第一层,处理浮点类型向量数据。
import numpy as np
def vectorize_sequences(sequences, dimension=10000):
results = np.zeros((len(sequences), dimension)) #数据集长度,每个评论维度10000
for i, sequence in enumerate(sequences):
results[i, sequence] = 1 # one-hot
return results
x_train = vectorize_sequences(train_data)
x_test = vectorize_sequences(test_data)
y_train = np.asarray(train_labels).astype('float32') # 向量化标签数据
y_test = np.asarray(test_labels).astype('float32')
构建网络模型
现在输入数据是向量类型,对应标签数据为标量(0, 1):最容易处理的数据格式。处理这类问题最常见的网络模型是Dense网络层的线性堆叠,Dense(16, activation='relu')。
Dense网络层接收的参数16表示网络层神经元数目。一个神经元单元表示网络层表示空间的一个维度。16个神经元表示网络层权重系数形状为(input_dimensions, 16);dot点积运算将会把输出张量转换为16维度的表示张量。越多的神经元数目表示神经网络可以学习到更加复杂的特征表示,相应的计算效率降低,也可能学到不必要的特征。
Dense网络层堆叠时回答两个关键的问题:
- 有多少层网络?
- 每个层网络有多少个神经元?
激活函数能给网络模型增加非线性表示。
使用的网络模型如下:
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'))
model.add(layers.Dense(1,activation='sigmoid'))
最后,选择损失函数和优化算法。因为是二分类问题,网络模型的输出是一个概率,最好使用binary_crossentropy损失函数,也可以使用mean_squared_error均方误差损失函数。但是交叉熵是处理模型输出为概率时最佳选择。
配置使用rmsprop优化算法以及binary_crossentropy损失函数,选择监测的指标。
model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy'])
这里参数使用字符串传递,因为在keras中对应字符串已经定义好了。同时,可以传递函数类型给相应的参数。如:
from keras import losses
from keras import metrics
model.compile(optimizer=optimizers.RMSprop(lr=0.001),
loss=losses.binary_crossentropy,
metrics=[metrics.binary_accuracy])
模型验证
为了在训练过程中在没有见过数据上监测准确率变化,需要分出一个验证集。从训练集中分出10000条做验证集。
x_val = x_train[:10000]
partial_x_train = x_train[10000:]
y_val = y_train[:10000]
partial_y_train = y_train[10000:]
在512小批量,迭代20次进行模型训练,同时在验证集上监测准确率变化。
model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['acc'])
history = model.fit(partial_x_train,partial_y_train,epochs=20,batch_size=512,validation_data=(x_val, y_val))
通过调用model.fit()方法返回一个history对象,history对象有history属性---一个包含在训练过程中记录的数据的字典。
>>> history_dict = history.history
>>> history_dict.keys()
[u'acc', u'loss', u'val_acc', u'val_loss']
字典包括4个键--在训练、验证过程中被监测的指标。
在图中画出训练损失和验证损失的变化图:
import matplotlib.pyplot as plt
history_dict = history.history
loss_values = history_dict['loss']
val_loss_values = history_dict['val_loss']
epochs = range(1, len(acc) + 1)
plt.plot(epochs, loss_values, 'bo', label='Training loss')#bo:blue dot蓝点
plt.plot(epochs, val_loss_values, 'b', label='Validation loss')#b: blue蓝色
plt.title('Training and validation loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()
训练集和验证集上准确率变化:
plt.clf()
acc_values = history_dict['acc']
val_acc_values = history_dict['val_acc']
plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and validation accuracy')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()
可以从上面的两张图中看到,训练损失逐渐降低,训练准确度逐渐提高--这正是使用梯度下降算法,我们所期望看到的。但是,验证损失和验证集上的准确率却在第4次迭代左右开始变差----模型在训练集上表现良好,在没有见过的数据上表现很差(泛化能力差)。用术语讲,模型发生了过拟合。在这里可以,使模型在第4次epoch时,训练结束,这样来尽可能避免过拟合现象的发生。
重新训练
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'))
model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy'])
model.fit(x_train,y_train,epochs=4,batch_size=512)
results = model.evaluate(x_test, y_test)
#[0.2929924130630493, 0.88327999999999995] 模型准确率为88%
使用训练好的模型在新数据上做预测
使用训练好的模型做预测----训练模型的目的.
可以使用predict函数对数据进行预测,给出为正面评论的概率。
>>> model.predict(x_test)
array([[ 0.98006207]
[ 0.99758697]
[ 0.99975556]
...,
[ 0.82167041]
[ 0.02885115]
[ 0.65371346]], dtype=float32)
小结
- 在把数据送到模型训练之前,需要对原始数据进行预处理---将原始数据转换成tensor张量格式。
- 使用relu为激活函数的Dense网络层的线性连接能解决很大一部分问题;
- 在二分类问题中,网络模型应该以包含一个神经元,激活函数为sigmoid的Dense层结束;输出是介于0~1的标量,可以理解为概率。
- 二分类问题,sigmoid标量输出,对应损失函数应该选择binary_crossentropy;
- rmsprop优化算法大多数情况下是一个很好的选择,无论问题是什么。