keras 的 example 文件 imdb_bidirectional_lstm.py 解析
imdb是一个文本情感分析的数据集,通过评论来分析观众对电影是好评还是差评
其网络结构比较简单
________________________________________________________________________________
Layer (type) Output Shape Param #
================================================================================
embedding_1 (Embedding) (None, 100, 128) 2560000
________________________________________________________________________________
bidirectional_1 (Bidirectional) (None, 128) 98816
________________________________________________________________________________
dropout_1 (Dropout) (None, 128) 0
________________________________________________________________________________
dense_1 (Dense) (None, 1) 129
================================================================================
Total params: 2,658,945
Trainable params: 2,658,945
Non-trainable params: 0
________________________________________________________________________________
对imdb数据集稍微分析一下,
通过函数load_data获取到的x_train, y_train,是一堆编号,这个编号不太直接,可以通过下面代码解析出来:
word_index = imdb.get_word_index()word_index = {k:(v+3) for k,v in word_index.items()}
word_index["<PAD>"] = 0
word_index["<START>"] = 1
word_index["<UNK>"] = 2 # unknown
word_index["<UNUSED>"] = 3reverse_word_index = dict([(value, key) for (key, value) in word_index.items()])def decode_review(text):return ' '.join([reverse_word_index.get(i, '?') for i in text])for i in range(10):print(decode_review(x_train[i]))print(y_train[i])
就可以看到评论的具体内容,而y_train打印出来的是0和1,分别代表差评和好评
x_train和y_train的shape分别为
(25000, 100)
(25000,)
——————————————————————————————————
不另开帖子了,把其他几个网络的结构也贴出来备忘:
imdb_cnn_lstm.py的神经网络结构如下:
________________________________________________________________________________
Layer (type) Output Shape Param #
================================================================================
embedding_1 (Embedding) (None, 100, 128) 2560000
________________________________________________________________________________
dropout_1 (Dropout) (None, 100, 128) 0
________________________________________________________________________________
conv1d_1 (Conv1D) (None, 96, 64) 41024
________________________________________________________________________________
max_pooling1d_1 (MaxPooling1D) (None, 24, 64) 0
________________________________________________________________________________
lstm_1 (LSTM) (None, 70) 37800
________________________________________________________________________________
dense_1 (Dense) (None, 1) 71
________________________________________________________________________________
activation_1 (Activation) (None, 1) 0
================================================================================
Total params: 2,638,895
Trainable params: 2,638,895
Non-trainable params: 0
________________________________________________________________________________
imdb_cnn.py的神经网络结构如下:
____________________________________________________________________________________________________
Layer (type) Output Shape Param #
====================================================================================================
embedding_1 (Embedding) (None, 400, 50) 250000
____________________________________________________________________________________________________
dropout_1 (Dropout) (None, 400, 50) 0
____________________________________________________________________________________________________
conv1d_1 (Conv1D) (None, 398, 250) 37750
____________________________________________________________________________________________________
global_max_pooling1d_1 (GlobalMaxPooling1D) (None, 250) 0
____________________________________________________________________________________________________
dense_1 (Dense) (None, 250) 62750
____________________________________________________________________________________________________
dropout_2 (Dropout) (None, 250) 0
____________________________________________________________________________________________________
activation_1 (Activation) (None, 250) 0
____________________________________________________________________________________________________
dense_2 (Dense) (None, 1) 251
____________________________________________________________________________________________________
activation_2 (Activation) (None, 1) 0
====================================================================================================
Total params: 350,751
Trainable params: 350,751
Non-trainable params: 0
____________________________________________________________________________________________________
imdb_lstm.py的神经网络结构为:
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
embedding_1 (Embedding) (None, None, 128) 2560000
_________________________________________________________________
lstm_1 (LSTM) (None, 128) 131584
_________________________________________________________________
dense_1 (Dense) (None, 1) 129
=================================================================
Total params: 2,691,713
Trainable params: 2,691,713
Non-trainable params: 0
_________________________________________________________________
——————————————————————
总目录
keras的example文件解析
keras 的 example 文件 imdb_bidirectional_lstm.py 解析相关推荐
- keras 的 example 文件 cnn_seq2seq.py 解析
该代码是实现一个翻译功能,好像是英语翻译为法语,嗯,我看不懂法语 首先这个代码有一个bug,本人提交了一个pull request来修复, https://github.com/keras-team/ ...
- keras 的 example 文件 cifar10_resnet.py 解析
该代码功能是卷积神经网络进行图像识别,数据集是cifar10 同时演示了回调函数 ModelCheckpoint, LearningRateScheduler, ReduceLROnPlateau 的 ...
- keras 的 example 文件 babi_rnn.py 解析
该代码的目的和 https://blog.csdn.net/zhqh100/article/details/105193991 类似 数据集也是同一个数据集,只不过这个是从 qa2_two-suppo ...
- keras 的 example 文件 mnist_hierarchical_rnn.py 解析
很显然,我没有看懂 HRNN 是啥意思,没有去看论文,应该就是一种RNN结构的变形吧 网络结构如下: _________________________________________________ ...
- keras 的 example 文件 mnist_denoising_autoencoder.py 解析
mnist_denoising_autoencoder.py 是一个编解码神经网络,其意义就是如果图片中有噪点的话,可以去除噪点,还原图片 其编码网络为: ______________________ ...
- keras 的 example 文件 mnist_cnn.py 解析
mnist_cnn.py 基本上就是最简单的一个卷积神经网络了,其结构如下: _____________________________________________________________ ...
- keras 的 example 文件 lstm_text_generation.py 解析
该程序是学习现有的文章,然后学习预测下个字符,这样一个字符一个字符的学会写文章 先打印下char_indices {'\n': 0, ' ': 1, '!': 2, '"': 3, &quo ...
- keras 的 example 文件 lstm_stateful.py 解析
该程序要通过一个LSTM来实现拟合窗口平均数的功能 先看输入输出数据, print(x_train[:10]) [[[-0.08453234]][[ 0.02169589]][[ 0.07949955 ...
- keras 的 example 文件 imdb_fasttext.py 解析
该文件功能上也是文本情感分类 默认的代码中 ngram_range = 1,这就差不多是常规的NLP处理,编号跟一个 Embedding,这就比较简单 所以我们还是分析一下 ngram_range & ...
最新文章
- 计算机科学班(原acm班),计算机科学创新实验班(以下简称ACM班)培养计划.doc
- objective-c(初始化)
- 总结—angularjs项目
- 如何在C# 中使用WMI 实现远程查询和共享
- [转]malloc的内存用free释放后为何系统回收不了
- getRequestDispatcher 和sendRedirect区别及路径问题
- 两个集合的交集 java版本
- 乌龟git配置ssh密钥
- Java SE基础——Java集合
- mysql.sock连接_解决不能通过mysql.sock连接MySQL问题的办法
- MySQL- where条件 in 条件优化
- 2021年南京大学软件工程专硕考研初试410分(数学满分)总成绩第二上岸经验贴
- 【互联网营销基础知识】新媒体工具亲民替代款有什么?
- 一键将kafka,zookeeper安装为windows服务
- 数字化时代,小程序平台促进银行线上金融业务发展
- 百度统计php,百度统计
- 超详细的Centos7.5安装Oracle11g
- TradingVIew量化编程语言PineScript在线视频教学课件(第一课时教案)
- Android 友盟分享 开发日记
- ti ds90ub953 与ds90ub954 的调试总结